淘天营销中后台生码工作流最佳实践
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。
本地还是云端?路径收敛的抉择
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。
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。
云端托管生码的配套工程能力建设
设计背景
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
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
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}}}
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:
设计背景
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…