淘天营销中后台生码工作流最佳实践


本文系统总结了营销中后台在财年初推进AI生码提效的最佳实践升级路径:统一收敛至云端托管生码(基于AoneSuper),解决本地研发环境不一致、AK管理难、执行易中断等问题;1.构建跨仓库工作区(git submodule + turborepo)支持多仓协同;2.打造可编排场景化工作流,覆盖需求理解→编码→构建发布全链路;针对迁移/重构(高确定性)采用架构说明文档+领域Skill固化规则;针对日常迭代(低确定性)引入功能树实现精准查表式知识供给,并通过D2C/API还原优化、知识自动沉淀形成提效飞轮。核心方法论:给恰好够用的精确知识、确定性逻辑交工程、知识建正向循环。

生码提效路径的重新梳理


营销中后台在财年初,面向业务研发的简单需求和复杂需求探索出了两条提效路径:对于简单需求,可以从aone工作项出发,直接在云端Alex平台完成迭代创建和编码研发,一站式托管生码。对于复杂需求,考虑到云端不能一次性完成所有研发任务,人工二次干预成本较高,降级到用本地Cursor/CodeAgent CLI工具,配合业务自定义规则辅助生码。


实际需求研发被分割成了两条路径,天然增加了业务开发的评估判断成本。同时,AI辅助提效只覆盖到了几个节点(核心是编码研发),在完整的需求交付生命周期中,还需要大量的人力来做流程串联,才能完成最终需求交付。



从上述两个痛点问题出发,决定收敛两条AI生码提效路径,扩大AI生码可落地的场景范围,提升AI生码的实际效果。

本地还是云端?路径收敛的抉择


既然要收敛,就要在“AI 辅助本地研发”和“云端托管生码”之间做出选择。这应该是所有AI Coding平台都会面临的选择,先说结论:我们选择了统一收敛至云端托管生码。

▐  为什么不选本地

本地研发模式在团队实际推行中,遇到了以下三个实际问题:

环境配置难以统一,问题排查协作成本高:不同同学的本地环境(系统版本、Node 版本、网络代理等)差异巨大,同一套插件和 MCP 配置在部分同学环境中频繁出问题;当某位同学本地 AI 工具出现异常时,由于环境差异,其他人很难复现问题,远程协助排查效率低,往往只能“到工位上看一眼”。

生态用工的 AK 管理困难:团队中有不少生态用工同学,本地研发模式下 AK 需明文存储在个人设备上,分发、轮换、回收缺乏统一管控机制,安全隐患和管理成本并存。

执行易中断:本地执行需要依赖电脑持续在线,且网络链接稳定,经常遇到一个长任务在执行过程中,电脑自动息屏或网络断开,导致任务中断,需要手动触发继续执行,增加了任务执行的总耗时,且需要时刻关注任务状态,无法专注做其他工作。


▐  借力集团已有AI基建

虽然云端托管生码可以解决上述本地研发的实际问题,但其也存在一些固有劣势,需要投入大量精力去做打磨,才能搭建出一套好用、可靠的云端生码环境。这里我们选择借力集团已有AI基建,将底层云端环境切换至AoneSuper(集团内提供云端生码沙箱环境的平台),在此基础之上结合业务特性,来做工程能力定制,和AI生码效果优化。


为什么选择 Aone Super 而非继续自建?

  • S1 自建基于 LangGraph 的多 Agent 架构,基建维护成本高,CodeAgent CLI 社区生态迅速成熟(Skills、MCP、SubAgent 等原生能力),在生码场景自建LangGraph方案边际收益递减。

  • 接入 Aone Super,将投入重心从基建打磨转向业务效果优化。


▐  收敛后的云端一体化研发流程

在AoneSuper底层基建的加持下,可以支持本地IDE直连远程沙箱,实现了云端一体化的研发流程:
云端生码
绝大多数场景可云端执行全流程
本地IDE直连沙箱
少数场景较复杂,需要强人工干预,可本地IDE直连沙箱,具备原生的开发体验

云端托管生码的配套工程能力建设


云端路径确定后,工程能力还需要跟上预期的两个核心目标,要扩大可落地场景范围,就必须解决日常大量存在的跨仓库研发诉求;要让 AI 辅助辐射需求交付全链路,就需要一套可编排的场景化工作流把各环节串联起来。

▐  支持跨仓库研发的工作区

  • 设计背景

营销中后台日常需求中有大量跨仓库研发场景,可归纳为两类:
  • 项目重构/迁移:仓库A需要参考仓库B的部分功能实现;
  • 项目间相互依赖:前端业务仓库 <-- 业务组件仓库 <-- 基础组件仓库,多层协同,多层协同。

  • 实际方案设计

聚合需求相关的仓库
基于社区方案的思路,最简单的方式,可以通过创建一个“空文件夹”,在这个文件夹中聚合需求相关的所有仓库,即可实现跨仓库代码感知。

引入git submodule

但在实际生码场景下,还需要在“空文件夹”下存放Agent消费的配置项(Skills、MCP、SubAgent等),如果这个“空文件夹”脱离了git体系,很难维护管理这些配置项。此外,在复杂需求场景下,生码过程中可能会生成一些中间产物(需求理解、方案设计、任务列表等)用来聚焦Agent执行任务的注意力,类spec-kit的思想,这些中间产物不适合离散的存放“空文件夹”下的业务仓库,更适合存放在“空文件夹”下。

因此,在用“文件夹”聚合需求仓库的基础上,借助git submodule的能力,将外层的“文件夹”作为一个独立的git空间,使其具备git托管的能力。同时,在其内部可以关联已有业务仓库git空间,通过“软链接”将多个业务仓库聚合到一起。


需求交付过程中,可以仅面向需求工作区进行研发(聚合多个仓库,无需再多个仓库来回切换开发),对子仓库的代码修改会提交到对应子仓库的git空间,不改变业务代码的维护方式:

需求工作区和需求子仓库关联关系


消除副作用
git submodule的引入,解决了跨仓库代码感知的能力,但其也带来了一系列新的git命令(以往不会使用到),为了降低业务研发同学对这一层的理解成本,通过实现一些脚本来自动化执行submodule操作(仓库初始化、代码拉取/提交等):

研发调试优化

对于项目间相互依赖(前端业务仓库 <-- 业务组件仓库 <-- 基础组件仓库)的跨仓库研发场景,还有一个比较头疼的问题是:如何在研发调试过程中,修改完基础组件或业务组件的代码后,前端业务仓库能实时应用到修改后的代码,并在预览页面中体现出来。以往这种场景下,需要为每一层依赖手动配置link,过程中还会因为环境等因素,导致link较难生效。因此,考虑对工作区方案做进一步优化,尝试来提升这类场景的研发调试体验。

上面的完整工作区结构设计,在忽略git submodule这一层后,不难发现和传统的monorepo项目几乎一致,外层的“文件夹”对应monorepo的主仓库,内部聚合的业务需求仓库对应monorepo的一个个子包。因此,可以借助monorepo相关构建工具(turborepo、nx等),来进行优化。

拿turborepo工具举例,可以通过以下配置实现一键启动所有需求子仓库的服务,同时自动配置子仓库间的依赖link:

{  "workspaces": [    "projects/*"  ],  "scripts": {    "build": "turbo run build",    "lint": "turbo run lint",    "test": "turbo run test",    "clean": "turbo run clean",    "start:workspace": "turbo run start:workspace"  },  "devDependencies": {    "turbo": "latest"  }}
{  "$schema": "https://turbo.build/schema.json",  "globalDependencies": [    ".env",    "tsconfig.json"  ],  "globalEnv": [],  "daemon": true,  "concurrency": 3,  "pipeline": {    "build": {      "dependsOn": ["^build"],      "outputs": [        "build/**",        "dist/**",        ".next/**",        "!.next/cache/**"      ],      "inputs": [        "**/*",        "!**/?(*.)+(spec|test).[jt]s?(x)?(.snap)",        "!tsconfig.spec.json",        "!.eslintrc.json",        "!eslint.config.js"      ],      "cache": true    },    "lint": {      "outputs": [],      "cache": true    },    "test": {      "outputs": [],      "cache": true    },    "docs:build": {      "outputs": [],      "cache": true    },    "start:workspace": {      "dependsOn": ["^build"],      "cache": false,      "persistent": true    },    "clean": {      "cache": false    }  }}
项目间相互依赖研发调试优化方式

完整的需求研发工作区结构如下,其本身只是工程能力上的建设,因此不限制是在云端生码平台使用,还是本地AI辅助研发使用,把其当作一个正常monorepo仓库即可,projects目录会通过git submodule聚合需求相关的所有子仓库:


▐  可编排的场景化工作流

  • 设计背景

S1 阶段 AI 辅助的介入以编码研发节点为核心,但完整的需求交付链路远不止于此——编码前有需求理解、方案设计、任务拆解,编码后有构建、发布、验收等环节,这些仍依赖大量人工串联。AI 只优化了中间一段,整体交付效率的天花板被前后两端卡住。S2 的核心目标是将 AI 辅助从编码节点扩展到需求交付全链路,通过可编排的工作流将前置准备、编码研发、后置构建部署串联为一体,减少人工流程串联成本。
这一思路受到社区 spec-kit 实践的启发,spec-kit 的核心理念是在执行前先生成结构化 Spec(规格说明),将模糊的需求描述转化为可逐步执行的任务清单,让 Agent 执行每一步时都有明确的上下文和验收标准,从而大幅降低长任务的失控风险。
然而,营销中后台各业务场景差异显著——迁移重构、日常迭代、缺陷修复的节点序列、所需工具、Prompt 模板差异巨大,无法用同一套固定流程覆盖。因此,在通用工作流框架之上,需要提供场景级定制能力:每个场景可以独立配置动态节点序列、绑定专属 Command 和 Skills,做到框架统一、场景差异化。

  • 工作流整体架构

整体设计以 CodeAgent CLI 的 Command 机制作为工作流节点的推进方式,每次触发时将文件内容作为 Prompt 注入当前对话,天然支持在 Prompt 中声明调用 MCP 工具和 Skills。我们将每个交付节点的任务意图写成一个 Command,由平台在适当时机依次触发,从而将 CodeAgent CLI 的单次对话能力串联为一条可编排的多节点工作流。

工作流由固定节点和动态节点两类构成,动态节点的数量与内容由需求场景定义,整体执行顺序为:需求准备 → 动态节点(1~N…

— 以上为试看内容(约 40%),开通会员后阅读全文 —