百亿补贴 C 端 AI Coding 实战:端到端 CodingAgent 设计与实践

本文介绍了百亿补贴 C 端 AI Coding 实战中端到端 CodingAgent 的设计与实践,旨在解决前端开发中重复编码、上下文理解成本高及视觉还原难等痛点。该 Agent 采用基于规范驱动与知识增强的自反思架构,通过构建包含页面、模块、组件等多层级的垂直领域知识库,并结合 Git Hooks 实现知识库的自动化同步与在线进化,确保代码生成的业务准确性与时效性。其核心能力涵盖多粒度输入适配、仓库智能匹配、设计稿到代码的智能转换(D2C)、业务代码生成及多层次质量验证,最终实现从需求描述到可交付工程代码的端到端自动化闭环,并已在依赖升级、页面开发等实际场景中落地提效。

引言:

垂直领域 AI 编程的挑战与机遇


在前端工程领域,ToC 业务开发者长期面临这几个结构性问题:

  • 重复性编码占比高:大量页面、模块的结构高度相似,但每次都需要重复的接口调用、字段映射、样式还原...

  • 上下文理解成本大:业务仓库日益庞大,新需求开发前的"代码考古"时间不断增长,理解组件用法、定位依赖关系等琐碎工作通常占据了大量的开发时间。

  • 视觉还原是持续痛点:C 端业务的视觉还原是永远绕不开的话题,经常因为几像素的差值反复调整...

  • 知识沉淀难以复用:团队积累的组件知识库分散且缺乏长期维护,知识库文档的置信度很差。

随着近期 AI 模型的发展,AI 在代码补全、通用编程辅助、图像分析等领域带来的结果稳定性和飞速编程体验不断突破了传统编程模式,但回归垂直领域,这些工具仍无法直接实现业务的端到端交付。

本文致力于构建一个深度绑定百补业务域的 coding-agent,让它真正理解我们的技术体系并完成端到端的业务交付。

  • 多维输入:支持从一句话描述到完整 PRD 的多种粒度输入。

  • 输出可交付:产出的不是代码片段,而是可直接进入业务迭代流程的工程代码。

  • 知识库驱动:以垂直领域知识库为核心引擎,保障生成代码的业务准确性和规范一致性。

  • 持续进化:知识库与日常迭代深度绑定,Agent 随需求一起成长。


整体架构:规范驱动的自反思智能体

垂直领域的端到端交付,Agent 核心的价值不仅仅在于面向需求给出技术方案和代码实现细节,更应该在交付时保障代码质量和可迭代性。基于此,我们提出了整体的架构设计理念:


基于规范驱动(Specification-Driven)与知识增强(Knowledge-Augmented)的自反思(Self-Reflective)智能体架构



▐  规范驱动:物料资产体系


通过总结百补现阶段业务迭代场景的模式,我们建立了完整的物料资产体系:

  1. 将页面元素划分为颗粒度更小的模块、组件、原子能力、主题等物料资产,并为每类资产提供完整配套的知识库(含 Props 定义、示例场景、迭代记录等)。这种结构化的知识组织方式,使得知识库 + Agent = 合适的组件选择和示例代码,大大降低了组件的上手成本。

  2. 构建了页面 Solution(页面解决方案)作为页面布局框架、数据输入(包括 SSR)、事件通信、用户交互的底层基座。Solution 提供了代码语法糖,将页面级别的工程开发降级为模块级、组件级,大大减少了上下文之间的耦合度。


▐  知识增强:自动化同步机制


知识库作为资产核心,面临一个关键挑战:在多人协作、频繁迭代的 C 端场景下,如何保证数据的准确性和完备性?如果知识库的迭代无版本化管理,coding-agent 将无法给到符合预期的答案。

为了解决这个问题,我们针对核心知识库和业务知识库分别做了以下设计:

  • 为核心知识库构建了 llm-doc-async-agent 服务:通过配置 husky 在 commit 阶段自动同步代码变更到知识库,保证每一次迭代带来的变更行为都能在知识库中同步更新,从根本上消除了开发者维护组件知识库的心智负担。

  • 为业务知识库更新研发了 knowledge-base-updater 技能:用于Agent 应用时在线化更新业务信息,保证每一个业务需求开发阶段的信息共享,缓解了开发者维护业务知识库的压力。


▐  自反思:质量保障闭环


coding-agent 明确约束了产物的输出不仅仅是代码,还包括:

  • 变更日志:用于纠错总结,通过对比变更日志与技术规划/需求分析进行循环纠错

  • 结构化输出:依赖版本升级信息(beta or latest)、组件使用记录等,便于追溯和审查


Agent 核心能力:

模块化设计与技能编排


▐  面向多场景的输入适配



▐  Agent 调度中枢与决策机制


Agent 作为整个系统的调度中枢,核心职责是获取用户的输入和工作空间信息,并确认以下关键信息来决策后续流程:



▐  SKILLS 技能体系:场景驱动的能力封装


  • repo-matcher:仓库匹配与依赖治理


构建可用于代码开发的工作环境

方案设计

repo-matcher 通过知识库中的仓库元信息,结合用户输入的需求描述进行语义匹配:



核心能力

  • 仓库智能匹配:基于需求描述自动识别目标仓库,避免手动查找

  • 分支规范创建:按照团队规范自动生成分支名,避免中文分支等异常

  • 依赖版本治理:检查 beta/latest 版本策略,识别潜在的 break change 风险


  • visual-analyzer:设计稿解析与视觉还原


D2C 场景的优化方案,提高视觉还原可接受度,降低视觉高还原的重复性工作

方案设计(详见章节:《AI-D2C 能力建设:从设计稿到代码的智能转换》)

visual-analyzer 采用 结构化数据 + 多模态还原 + 领域 DSL 的三层架构:



核心能力

  • 设计稿结构解析:通过 MCP 工具获取 MasterGo 设计稿的 schema 信息

  • 多模态布局验证:结合截图信息消除多图层噪音干扰

  • 组件智能路由:基于 UI 特征 DSL 自动匹配标准化组件


  • code-generator:业务代码智能生成


vide coding 的核心,阅读仓库代码、知识库加载、业务逻辑编写

方案设计

code-generator 基于知识库中的模板和示例,结合仓库框架进行代码生成:


核心能力

  • 页面级开发:基于 Solution 框架生成完整页面结构

  • 模块级开发:生成业务模块代码,处理数据流和交互逻辑

  • 组件级开发:生成或组合标准化组件,确保 API 调用正确


  • tech-validator:代码质量自动化验证


用于解决 vibe coding 通用型问题 - 代码可维护性、代码可读性、代码整洁度

方案设计

tech-validator 构建了多层次的验证体系:


核心纠错场景

  • 类型检查:TypeScript 类型验…

— 以上为试看内容(约 40%),开通会员后阅读全文 —