AI在实际生成环境中的提效实践
背景
各类AI研发工具层出不穷,很多现成工具可使用,业界都在探索一套完整的AI加成的提效方案
团队内部规范文档完备,但是没有融入开发流程中
Code review、研发自测、接口文档更新消耗大量时间
目标
1. 拥抱AI时代,让团队更先进。
2. 用AI武装研发团队,通过资源的配合与协调,实现研发效率的提升。
思路
1. 拆分研发流程,并找到AI结合点,并将其串联起来。
2. 深度探索AI IDE,得出最佳实践。
3. 利用起团队的知识库,为AI提供辅助能力。
定位
1. 这是一个锚点,自此开始团队研发流程向AI化转变。
2. 这是一个开始,带动团队与其他同学review当前研发流程,共建更多研发工作流。
01
对研发链路进行拆解,得到不同阶段的AI工作流形态,并基于当前形态向下一形态进行推进。
当前我们团队正处于阶段1接近完成,阶段2正在开始探索实践的阶段,因此下面我们会基于我们团队在这些方面的实践进行分享。
原本研发链路:
AI加持研发流程:
AI 工作流
对上面涉及到的AI工作流进行补充说明
AI-Cafes:AI生成需求文档,制作产品原型图,节省产品人天。
AI-Docs:需求文档转技术文档,节省研发梳理过程,节省研发人天。
AI-DocsCoding:基于技术文档,生成基础无业务逻辑代码,节省研发人天。
AI-Coding:基于团队内部代码规范生成代码,减少返工和代码理解成本,深度提高研发效率,节省研发人天。
AI-API:基于MCP Server打通接口文档,避免api文档/技术文档更新不及时,节省研发人天。
AI-CR:基于Rules,进行AI Code Review,节省研发人天。
AI-Develops:AI赋能测试、验证、监控环节,节省测试人天。
02
AI-CafeDocs
在原本的工作流中,在需求评审过后,研发同学通常需要至少0.5d的人力进行技术文档的落地,以及api接口的准备。
但是这一步中的大部分工作是重复的,可替代的,可节省的。
因此我们实现了了需求文档 -> aisuda(百度的低代码平台)-> 大模型 -> 技术文档(markdown)的工作流。
在微调好大模型之后,我们只需要以下两步就能完成技术文档+api接口准备的工作:
1. 投喂需求文档给大模型,得到初版技术文档。
2. 人工check技术文档。
在快速生成了技术文档后,后端再和前端进行沟通,根据细节进行修改具体实现。
AI-DocsCoding
在得到技术文档之后,我们下一步要做的则是落地。不得不承认,我们的工作中无可避免的会存在一些基础的CRUD环节,这是正常的,也是重复的,可替代的,可节省的。
因此,基于以上的 AI-CafeDocs环节,我们进行了进一步的延伸,实现了技术文档 -> MCP Server -> AI IDE 的工作流
我们通过MCP打通了内部的知识库,使得AI能够阅读到需求文档和技术文档,了解上下文,并进行对应的开发工作。
当然,AI全流程开发只是一种理想的状态,就当前而言,AI-DocsCoding写出来的代码并不是完全可用的,在涉及到的业务逻辑越复杂时,代码的正确性就越低。
但是不要紧,我们在设计这个流程的时候,就早有准备。
还记得我们强调的一点:让AI取代重复的,可替代的,可节省的工作,那么正确的流程为:
1. AI通过MCP阅读需求文档、技术文档,生成本次功能的基础代码——除却业务逻辑之外的参数处理、数据处理的CRUD代码。
2. 人工补全核心的业务逻辑处理,人也只需要关心真正的业务逻辑,这些事AI无法替代的。
可以看到,在以上的两个工作流里,人的角色从执行者,变成了驱动者/观察者,或者说产品经理。
我们通过向AI提出需求,监督AI工作,验收AI工作结果的方式进行工作。
03
AI-Coding
AI-Coding这一块主要围绕 AI IDE的使用,现在市面上有很多的产品,比如Cursor、Comate、Trae等。其实在许多人看来,AI IDE的核心在于底层能够接入的模型,但是我觉得这不尽然,大模型的边界效应很强。
有些时候,我们对AI IDE的使用,还没有达到需要区分模型效果的地步。或者说,如果我们使用了世界上最好的模型,那我们是否就高枕无忧了,可以让AI全程进行Coding而不需要人为Review了?
至少使用到今天为止,我们认为AI-Coding,还离不开人的关注,因此如何更好地使用AI进行Coding,是AI提效的必经之路。
合理使用Rule
在AI IDE内,Rule是一个非常重要的环节,它是连接开发者意图与 AI 代码生成行为之间的关键桥梁。
定义:Rule 的 核心目的是指导 AI 更准确地理解当前代码库的上下文、遵循特定的项目规范与编码标准、生成符合预期的代码,或辅助完成复杂的工作流程。Cursor 官方文档将其描述为“控制 Agent 模型行为的可复用、有作用域的指令”。
作用:大型语言模型(LLMs)本身在多次交互之间通常不具备持久记忆。Rule 通过在每次 AI 请求的提示词(prompt)层面提供持久化、可复用的上下文信息,有效解决了这一问题。当一个规则被应用时,其内容会被包含在模型上下文的起始部分,从而为 AI 的代码生成、编辑解释或工作流辅助提供稳定且一致的指导。
上面有一个非常重要的点,那就是所有的rule在使用的过程中,都会占用我们上下文的token,因此如何更好的使用Rule,是提升AICoding能力的关键。
基于我们的实践,我们建议将 AI IDE 的rule进行层级划分:
第一层:IDE全局层 (User Rules)
位置:User Rules
范围:所有项目通用
内容:个人编码风格偏好
限制:50行以内
第二层:项目基础层 (Always Rules)
位置:
.xx/rules/always/范围:整个项目强制遵循
内容:技术栈、核心原则、基础规范
限制:100行以内
第三层:自动匹配层 (Auto Rules)
位置:
.xx/rules/auto/范围:特定文件类型或目录
内容:模块专门的开发规范
限制:每个规则200行以内
第四层:智能推荐层 (Agent Rules)
位置:
.xx/rules/agent/范围:AI根据对话内容智能判断
内容:优化建议和最佳实践
限制:每个规则150行以内
第五层:手动调用层 (Manual Rules)
位置:
.xx/rules/manual/范围:手动调用的代码模板
内容:完整的项目或模块模板
限制:每个规则300行以内
基于以上的划分,我们再给出对 已有/未有 Rule规范的代码库的 Rule 创建规则(语言不重要,以Go为例):
内容优化原则:
避免:
详细代码示例(每个100+行)
重复的概念解释
推荐:
简洁要点列表(每个20-30行)
具体的操作指令