从 Vibe Coding 到 AI 原生研发团队:一套能落地的工程实践


导语 :AI 写个人玩具项目很顺手,但落到真实业务里就是另一回事了。这篇整理了我们在打造 AI 原生研发团队上摸出来的一些经验,主要讲四块:通用能力怎么搭、Harness 工程实践、开发跟产品怎么协同。我们希望打破职能边界,让不懂代码的产品同学也能借 AI 东风,自主定义并实现各类内部运营工具,从而带动整个团队的研发效能迈上新台阶。 还有踩完坑之后的一些 Lessons。希望能给大家点参考,尤其是正在琢磨怎么用 AI 把团队能力真正提升起来的同学。

 整体概览

让 AI 连续跑一整天,代表了 Harness Engineering 所能达到的一种能力上限。但这种方式更适合从零起步或与现有业务关联度较低的任务,不仅 Token 成本高,日常开发中也很少用到。

日常开发更多是在现有项目中增加功能、修复 Bug,没有必要上那么重的自动化工程,轻量的 Vibe Coding 就足够了。因此,本文不讨论如何把 AI Coding 的能力上限推得更高,而是重点解决一个更日常的问题:如何守住这类需求的质量下限,同时提高 Token 效率。

圈子里的各种概念层出不穷——Prompt Engineering、Harness、Agent Loop——各有各的用武之地。事实上,我自己做的很多事情,本质上也是在搭护栏(Harness)。

但说实话,团队里的每个人并不需要一上来就理解并应用这些概念。代码本身就是描述业务逻辑最精确、最高效的语言。对大多数人来说,更实际的起点,是先学会高质量地使用 AI 完成编码任务。

真正 ROI 最高、见效最快的方式,是先让 AI Coding 运转起来,再让护栏随着实际需求逐步生长出来。

文中涉及的项目叫 Vibe Flowing,是一个业务属性很强的“AI 原生海外网络运营平台”,主要服务于海外网络运营相关的业务场景。

所谓“AI 原生研发”,在我们这里指的是:项目的所有组件和能力,包括页面功能、定时任务、Agent 智能体、开放 API、外部接口对接等,都由 AI 统一维护。

使用者只需要描述需求。简单需求可以通过对话直接完成;复杂需求则先写成文档,经过研发流程对齐后再进行开发。

在这套机制下,团队里不管会不会写代码,每个人都能参与进来。网络运营同事即使不是开发人员,也能完成提需求、写代码、做验收的完整流程。

这正是 AI 赋能团队最直观的体现:当门槛降得足够低,人的参与面自然就打开了。

 问题在哪

在聊我们的做法之前,先说说为什么要这么做。

VibeCoding 的门槛已经很低了。网络运营同事用各类 AI 编码平台,自己就能写个网页,查查数据、画个图表,满足一时之需。但用着用着问题就来了:

1、重复造轮子、数据不互通、只有自己说得清

每个人写的网页都在各自调用后端系统接口:运营的、网管的、CMDB 的、SNMP 的,各写各的,互不知道。同样是查一条专线的信息,张三的页面查一遍,李四的页面又查一遍,鉴权方式、数据口径还不一样。更麻烦的是数据散落在各个孤岛里,没法关联分析。比如专线流量异常了,想同时看流量趋势、丢包率、运营商质量,得开三四个页面来回切,数据还对不上。

有人尝试把这些页面聚合到一个入口里,放个超链接列表方便大家跳转。但说实话,这有点草台班子:链接越来越多,页面风格五花八门,哪个是最新的、哪个还能用、哪个出了问题找谁,谁也说不清。时间一长就成了"历史遗产",没人敢动也没人想动。

2、想正经做点事,拦路虎太多

运营同事真想做一个能持续用的系统,第一道坎就是各种系统接口权限的申请。网管系统要开权限,CMDB 要开权限,数据库要开账号,每一个都是流程、审批、等待。好不容易权限拿到了,接口文档不全、字段含义不清、鉴权方式各异,AI 想帮忙对接也经常踩坑。出问题了让 AI 排查,一通操作猛如虎,token 烧了不少,往往还没问到点子上。

因为这些底层问题的复杂性远超业务逻辑本身,AI 在没有上下文的情况下很难高效定位。

说到底,Vibe Coding 适合写"一次性"的东西,但做不了"能持续迭代的系统"。缺的不是 AI 的能力,而是一个专业开发先搭好的架子:日志、鉴权、权限控制、外部接口封装、数据库变更流程、定时任务等,都得先打通。有了这个底座,AI 在上面开发就不必每次从零开始,也不在基础设施问题上浪费时间和 token。

这就是做 VibeFlowing 的出发点:先搭好企业级底座,再让 AI 在上面持续开发,把整个团队的能力边界往外推。

不只是专业开发干活更快,非开发人员也能参与建设真正有用的业务系统。

 效果概览
展开讲怎么做之前,先看两个实际跑通的场景,感受一下"AI 原研发"到底是什么体验。

场景一:AI 原生的研发整体流程

运营同事想加一个新功能,比如"出口流量按 AS 聚合的桑基图",他不需要写需求文档,不需要找开发排期,自己就能搞定。

首先,从模板创建一个 anydev 开发容器,不需要手动配置任何东西,打开 CodeBuddy 后直接告诉 AI 需求:"我想在流量分析页加一个出口流量按 AS 聚合的桑基图,能看到 Top 20 AS 的流量分布。"AI 先和他对齐需求:要展示哪些维度、数据从哪来、放在页面哪个位置,用白话聊几句就确认了。

然后 AI 开始开发。后端接口、前端组件、数据库查询,全栈一把梭。开发过程中 AI 自己启动开发服务、自己跑测试、自己查日志排错,不需要人介入。开发完成后,AI 告诉运营同事开发服务的访问地址,让他自己在浏览器里验证。

运营同事打开链接,看到效果满意了,回一句“OK”。AI 自动跑完静态检查和兜底测试,推送代码到远程分支,创建 MR,等管理员审批合并到统一环境(正在引入 AI 审批)。在合并之前,运营同事在自己的开发容器上就能正常使用这个功能,不用等流水线跑完。

整个过程,运营同事没有写一行代码,没有碰过 git,甚至不需要知道"分支"这个概念。

下图是 Vibe Flowing 项目仓库提交记录,可以看到,架子搭好之后,整个团队都能接住 AI 来实现自己的需求。

这套 AI 原生的开发体系已经在海外网络运营、控制器运营团队应,团队基于统一的 AI 研发基础设施,能够在 3 分钟内全自动完成环境配置,人人可以参与开发。

场景二:AI 原生的 Agent 开发流程

运营事想做一个专线质量分析智能体,按照已有 Agent 平台配置开发的方式,得等其他研发同学把 MCP 或者 Skills 开放出来,然后他得自己写提示词、配工具,还得自己跑验证,整个过程非常费时间。

现在在这套体系里,他只需要跟 AI 说:"我想要一个能分析专线质量的 Agent,输入专线 ID,它自动查流量趋势、丢包率、时延数据,给出质量评估结论和异常原因。验收标准是:随便选一条专线,它能在 30 秒内输出结构化的分析报告。"

AI 拿到这个目标后,自己去代码仓库里探索:

  • 看看现有的数据模型有哪些
  • 有哪些 service 可以复用
  • 哪些工具函数能直接用

然后自己写系统提示词,定义 Agent 的行为规范和输出格式;自己封装工具函数,把数据查询能力接进来;自己注册到 Agent 框架里。

接下来是调式,AI 自己跑端到端验证,选一条专线试一下,看输出效果。不满足验收标准,就调提示词、换模型、改工具返回格式,反复迭代。

整个 Agent 的开发过程 AI 自己跟自己对话、自己验收,不需要人盯着。

达到效果后,AI 交给运营同事一个能用的智能体。运营同事到网页上的 Agent 聊天页,选这个专线质量 Agent,直接就能用。

下面是一个例子:

1、自然语言描述需求:

2、AI 编码实现并进行自主测试迭代

3、Agnt 对话效果:

小结

这两个场景的共同点是:人只管定义要什么",AI 负责"怎么做"。这就是我们理解的 AI 原生研发:不是一个人的提效工具,而是一个团队的新工作方式。

接下来,我们来看看具体实践是怎样的。

 从玩具到企业级

1、对接内部业务 SDK

网平内部运营系统有很多接口,此前我们已经开发了 Python 本的业务 SDK,封装了各类第三方接口,比如网管系统、CMDB、SNMP 乃至七彩石、日志等能力,在 Vibe 出来的项目中,首先要考虑的是集成这类 SDK。

支撑现网运行的 SDK 此前固定了仅支持 python 3.6.8,去年我们做过升级到 Python 3.12 的探索,将基础依赖都进行了升级,可以直接在新项目中引入,如果是老项目,则需要提前处理好依赖的兼容性问题。

由于此 SDK 是私有包,需要在 CI 流水线中配置私有源认证。为了让 Agent 能理解 SDK 中具备的能力,将该 SDK 作为 sub module 的方式加入到代码仓库,实际编码时,让 Agent 自行探索即可,不需要额外写文档去解释每个接口。

对于一些日志、配置获取等基础常用能力,在 IDE 的 Rules 里写几行说明就行,比如"打日志用 from nBroker.lib.logger import log",AI 记住后每次写代码都会用对。

2、通用底层能力

一个企业级运营系统应该具备几个通用能力,包括:

  • 日志
  • 页面权限控制
  • 页面访问审计
  • 开放 API
  • MCP 工具
  • 定时任务
  • 工作流

这些能力每写一个项目都从头搭,成本太高。我们把它沉淀成一套标准设施,新项目直接继承。下面逐个说怎么做的。

日志:直接复用 SDK 中的统一日志方法,全项目统一调用签名,不自己造轮子。AI 写代码时只需要在 Rules 里写一行说明就够了,不需要每次都教。

页面权限控制:我们实现了 RBAC 权限模型。用户的身份信息由太湖网关注入,后端解码后拿到 login_name,再从人事系统查到部门和组。权限规则存在数据库里,支持按页面和操作两个粒度控制,管理员列表走七彩石远程配置,方便动态调整。这套机制对 AI 透明,AI 写新页面时,只需要声明是否受限资源,权限校验自动生效。

页面访问审计:所有请求都经过鉴权中间件,用户身份、访问路径、API Token 使用记录都落库留痕,方便审计追踪。

开放 API:外部系统集成走 API Token 机制,支持 Bearer Token 和自定义 Header 两种方式。每个 Token 可以配置允许访问的路径白名单、管理员列表、过期时间。Token 明文仅管理员可见,其他人看到的是掩码。这套机制让外部系统接入安全可控,AI 也能自助创建和管理 Token。

MCP 工具:基于 FastMCP 搭建了 MCP Server,把专线分析、拓扑分析等核心能力封装成 MCP 工具,供其他 AI 客户端调用。MCP 路径在鉴权白名单中,方便外部集成。

定时任务:基于 APScheduler 实现了装饰器注册机制,新增定时任务只需写一个 @cron_job 装饰器函数,声明任务 ID、执行间隔和描述即可。定时任务独立进程运行,不阻塞 API。支持前端页面暂停/恢复/修改间隔/手动触发,多副本环境下通过数据库抢占保证一条指令只执行一次。AI 新增定时任务时,只需要写业务函数,调度和管理的"脚手架"自动就位。

工作流:基于 DBOS 实现了简单的工作流调度能力,让平台能够支撑复杂流程的运行,这些流程中间可以有人工待办、异步回调等待,从而让一个复杂的任务能够持续跑一个月甚至更长时间而不间断,即使中断了也能从历史状态恢复,即所谓的 Durable Function。

小平台内置这些能力,就意味着 AI 能够帮我们把这些都搞定,而不需要跨系统交互,这是 AI 原生研发的基础条件。

 Harness工程实践

1、大仓组织形式

我们采用单仓 monorepo 的形式,后端 flo/ 和前端 web/ 在同一个 Git 仓库里。好处是 AI 在一次会话中可以同时看到前后端代码,做全栈改动时上下文完整,不需要跨仓库切换。

后端的目录结构遵循严格的分层约定:controllers(API 层)→ services(业务层)→ models(数据层)→ source(外部接口),调用方向只能向下,禁止反向依赖或同层互调。此外还有 analysis(数据分析)、cron(定时任务)、cli(命令行工具)、agent(智能体)等独立目录。这个约束写在 AGENTS.md 里,AI 每次写代码都会遵守。

关键设计是每个职能目录下都有一个 _framework/ 子目录,存放框架级的"脚手架"代码。业务代码只管写业务函数,框架代码负责调度和生命周期管理。这样 AI 写新功能时聚焦业务逻辑,不会被基础设施的细节干扰。

前端同理,components/ 按业务域分目录,每个组件配套 Storybook story 文件。views/ 只做组件协调,保持整洁。这套结构符合直觉,AI 探索代码库时能快速定位,人也容易审查。

下面是前端组件化示例,可以看到积累了相当多可复用的组件,这些组件主要是按照业务模块划分:

2、用 Rules 和 Skills 给 AI 立规矩、装技能

大仓结构解决"代码怎么组织",Rules 和 Skills 解决"AI 怎么干活"。这一环很关键,不做约束,AI 每次都是"自由发挥",质量全看运气;做了约束,行为就有了下限保障。

Rules:分场景加载的项目护栏

我们设计了多层 Rules,按场景自动加载到 AI 的上下文中:

第一层是 AGENTS.md,放在项目根目录。这是面向 CodeBuddy IDE 和 With 开发环境的通用规则文件,集中了所有开发护栏和工程偏好——文件红线、后端分层规范、前端工程约定、DB 变更流程、流量图表配色、网络拓扑可视化偏好等。AI 每次会话都会读这个文件,相当于随身带着一本"项目规范手册"。

第二层是 .vscode/anydev_rule.md,这是面向统一研发容器的规则文件,会自动加载到每个开发同事的容器环境中。相比 AGENTS.md 侧重工程规范,anydev_rule 更侧重研发流程约束和用户保护,核心是几条铁律:

  • 三阶段流程不可绕过:任何需求,哪怕改一个文案,都必须走"需求讨论 → 开发实现 → 确认提交"三阶段,每个阶段之间需要用户明确确认,禁止 AI 自行判断"小改动可以跳过讨论"
  • 用户是非专业开发:出现技术名词必须用白话先解释,方案先讲再动手,不让用户做选择题,拿不准就停下来问
  • 分支管理对用户透明:用户不需要关心分支,AI 全程管理(自动切到 dev-$用户名 分支、自动同步远程 dev、自动处理冲突)
  • Git 操作护栏:禁止破坏性命令,改动范围最小化,删除文件前必须确认
  • 产品同学常见误区主动提醒:比如用户说"把数据清掉",AI 要主动告知 anydev 账号没有 DELETE 权限,建议改用软删除

第三层是 CodeBuddy 内网版插件的记忆系统。项目规则中有一部分以 Memory 形式存在,比如"数据库时间字段统一用 DATETIME"、"前端代码修改后必须跑 type-check"、"流量图表入流量绿色、出流量蓝色"等。这些记忆会在 AI 相关场景自动触发,不需要每次重复说明。

三层 Rules 叠加,基本覆盖了"AI 在这个项目里什么能做、不能做、怎么做"的全部约束。设计原则就一条:规则集中、分场景加载、不重复。AI 上下文有限,规则散乱或重复既费 token 又容易让 AI 混淆。

关键 Rule:Anydev 云开发护栏以及开发示例如下,左侧文件目录中可以看到有 4 个关键开发约束,右侧是 AI 完成开发后交给人验证时回复的效果:

Skills:给 AI 预装"专业技能包"

Rules 管的是"规矩",Skills 管的是"能力"。我们沉淀了一批常用 Skill,覆盖项目开发的高频场景:

  • Agent 创建:新增 ReAct Agent 的完整工作流,探索代码、写提示词、创建工具、注册、验证
  • 工作流创建:基于 DBOS 的工作流编排,处理需要持久化和重试的复杂任务
  • Changelog 发布:生成 changelog 条目并创建 git tag,处理版本发布
  • 前端设计:创建有设计质量的前端界面,避免"AI 审美"的通用感
  • Vue 开发:Vue3 + Composition API + TypeScript 的开发规范和最佳实践
  • 工蜂:代码平台操作,仓库管理、合并请求、代码审查、Issue 管理
  • 代码腐化处理:这个特别重要,AI 原生研发跑起来之后,代码仓库的演进速度会特别快,但硬币的另一面是代码腐化也来得更快,我们创建了 2 个职责分离的代码去腐化技能,扫描代码问题、创建 issue,以及认领 issue、修复代码问题,避免“既当裁判又当运动员”。让 Agent 高频小批量定期运行这两个技能,保障仓库代码质量
  • iWiki:企业内部文档的检索和编辑
  • 技能创建:创建新的 Skill 或优化已有 Skill

这些 Skill 在 CodeBuddy 内网版插件中会自动加载。AI 在遇到对应场景时自动触发,不需要人手动调用。比如用户说…

— 以上为试看内容(约 40%),开通会员后阅读全文 —