RenderFlow:百度垂类搜索展现服务的 Agentic 代码交付实践
01
1.1 搜索结果展现的传统交付流程
在传统模式下,一个搜索结果展现需求从提出到最终上线,通常要经历需求评审、开发、测试和上线四个阶段。整条链路跨产品、设计、研发、测试等多个角色,流程较长,协作成本也较高。
这类交付方式在早期能够满足需求,也支撑了不少场景上线。但随着结果形态持续增加、流量规模不断扩大,传统链路的局限逐渐显现。
1.2 规模化交付的主要挑战
逻辑生产和验证成本偏高。从历史业务接入经验看,新增品类覆盖平均 4 天,复杂行业的数据对接周期可达 1 周;部分数据标注与模板挖掘流程曾需要 7 人天级投入。单个场景看似可控,但当需求扩展到百级、千级场景时,人工开发、标注、联调、验证和问题修复成本会随规模线性增长,难以适应热点场景的快速覆盖和持续迭代。
单场景逻辑生效链路长。 传统模式下,展现逻辑通常随服务代码统一管理和发布,单个场景的逻辑调整也需要进入服务级变更流程。随着场景数量增加,这种以服务为单位的生效方式难以支撑单场景逻辑的快速验证、独立生效和低成本回退。
泛化与扩展能力不足。 现有方案能够支撑部分固定场景,但面对更多品类和更复杂需求时,往往需要针对单个场景重复梳理和适配,难以快速复制和扩展到更大范围。
1.3 从 LLM 生成到 Agentic 交付闭环
LLM 的引入,并不是要改变整条传统交付流程,而是为其中成本最高、最依赖人工的逻辑生产、验证和迭代环节提供新的可能。随着模型在代码生成、上下文理解和复杂约束遵循方面的能力提升,结果展现逻辑开始具备从人工编写走向自动生成的基础。
但在真实业务场景中,模型生成结果并不能直接等同于可上线结果。生成代码还需要经过执行验证、错误修复、效果一致性确认和发布风险控制,才能进入线上链路。因此,RenderFlow 关注的不是一次性的 LLM 代码生成,而是围绕生成、执行、反馈、修复和发布构建 Agentic 闭环。
02
2.1 整体架构与执行流程
基于第一章提出的交付目标,RenderFlow 将代码生产、执行验证、反馈修复和发布治理拆解为一组相互衔接的工程模块,使模型生成结果能够在同一条链路中完成验证、迭代和上线。整体架构如下图所示:
架构自上而下分为输入准备、生成与修复、可执行引擎、结果输出四层,右侧独立设置发布与治理流程。整体上看,这套架构可以理解为 RenderFlow 的 Agent Harness:它将上下文组织、模型生成、执行反馈、质量护栏和版本发布组织在同一套工程框架中。
输入准备:构建结构化任务上下文。平台为每类业务场景定义独立适配器,封装该场景特有的 Prompt 模版、配置格式与测试策略;用户通过动态表单填写场景参数后,系统自动选择适配器并组装 Prompt。实际组装时,Prompt 会将需求描述、API/字段说明、目标模版 Schema、输出约束和测试样例组织成固定结构,将原本依赖人工描述的场景适配经验转化为可复用的模版和配置。
生成与修复:形成反馈迭代闭环。Coder 根据 Prompt 生成转换代码;代码提交到可执行引擎运行验证;若执行失败,错误信息会被整理为结构化反馈,由 Reviewer 生成修复约束,并注入下一轮生成,形成“生成 → 执行 → 反馈 → 再生成”的闭环。
可执行引擎:提供统一执行底座。核心决策是将业务逻辑与服务运行解耦——代码以配置形式动态注入,由引擎在运行时解释执行。预览执行、自动化测试、线上执行三个阶段复用同一套引擎,保证验证环境与线上环境行为一致,降低验证漂移风险。
发布与治理:提供工程护栏。 代码生成后,需要经过效果预览、关键字段校验、自动化回归、性能对比,再经审批推送上线。配置管理系统支持分阶段发布、全量发布、版本快照和快速回滚,将模型生成的不确定性约束在可验证、可分阶段发布、可回退的工程流程内。
结果输出:产出可直接渲染的结构化模版数据。线上执行服务动态加载转换逻辑,将原始数据转化为前端可消费的结构化模版数据,完成从场景配置到线上展现的闭环交付。
以一次新场景接入为例,用户录入配置后,系统自动生成 Prompt 并调用 LLM 产出代码;代码在可执行引擎中执行验证,失败则进入多轮修复,成功后经过预览、测试、审批和发布,最终在线上动态加载生效。通过这条工程链路,RenderFlow 将 LLM 的生成能力接入真实执行、自动修复和发布治理过程,完成从场景配置到线上生效的端到端交付。
2.2 可执行引擎
传统模式下,展现逻辑以静态代码形式存在于服务仓库中,每次变更都需要经历完整的构建发布链路。即使只是调整一个字段映射或输出结构,也可能需要重新开发、测试和发布,整个周期从天级别到周级别不等。当系统需要支撑成百上千个场景并频繁迭代时,这一链路成为交付效率的主要瓶颈。
在 RenderFlow 中,可执行引擎承担“执行环境”的角色。它将模型生成的转换逻辑从服务代码中剥离,以配置形式存储在配置管理系统中,由执行服务在运行时动态加载。引擎底层选择 Yaegi 作为 Go 代码解释器,使每次逻辑更新从“发布服务”简化为“更新配置”,无需编译、无需重启,生效速度以分钟计,且与服务的发布周期完全解耦。引擎内部结构如下图所示:
执行流程。引擎接收到请求后,根据场景标识路由到对应的执行路径,从配置管理系统加载该场景的转换代码,并为本次执行创建独立的解释器实例。实例初始化后,会加载标准库能力和业务侧注册的符号能力,再注入转换代码并调用约定入口完成数据转换,最终将结果组装为结构化的模版数据返回。整个过程中,代码加载、解释执行和结果构建各环节相互独立,便于单独演进和问题定位。
隔离与容错。每次请求创建独立的解释器实例,实例间无共享状态,单个场景的代码异常不会扩散到其他场景或服务本身。引擎在执行路径的多个层级设置了异常恢复机制,将运行时错误统一转化为可处理的错误结果返回,而非触发服务级故障。当一个场景关联…