Harness 与 Agent 工程 · AI研发与测试工程 · 2026-07-27

百亿补贴 C 端 AI Coding 实战:基于 SDD 的服务端 AI Coding 实践

服务端AI Coding复杂场景难落地?SDD方法论+百亿补贴实战,0手写代码实现高质量交付,让AI Coding成可控生产力。 核心内容:

  1. 服务端AI Coding三大瓶颈(概率性输出、上下文限制、局部视野瓶颈)
  2. SDD解决方案:开发者深度参与+Spec唯一真相源+自进化记忆机制
  3. 百亿补贴项目实践:0手写代码交付,验证SDD可复制性

本文针对服务端AI Coding在复杂业务场景中难以达到生产级质量的问题,提出并实践了基于SDD(规格驱动开发)的解决方案。通过摒弃完全自动化的端到端流程,转而采用“开发者深度参与”结合Aone Copilot工具链的模式,将Spec作为唯一真相源以解决AI的概率性输出、上下文限制及局部视野瓶颈;同时引入自进化记忆机制(topic-open/save)管理跨会话上下文,确保知识沉淀与风格一致。最终在百亿补贴项目中实现了0手写代码的高质量交付,证明了SDD方法论配合开发者对Spec定义、架构审核及质量把控的深度介入,是将AI Coding从实验性工具转化为可控、可复制的生产力关键。

先说结果

从Copilot到Cursor,从代码补全到Agent自主编码,AI Coding工具正在飞速进化。但在真实的业务项目中,面对历史包袱、复杂交互和线上质量要求,我们要如何才能让AI Coding真正落地?

以下是我们给出的答案:

实践案例:百亿补贴某某玩法迭代,支持分享回流

需求规模:4k+代码行数

主要挑战:1年前历史项目迭代;玩法交互和逻辑复杂;测试时间有限,尽量降低回归成本

交付结果:0手写代码,Spec行数:5000+,长期记忆:200+,任务记录:500+,代码行:4000+

基于SDD方法论,我们实现了0手写代码、4天完成开发(不含联调)。Spec驱动带来的不只是效率提升,更是质量可控、风格一致、产出可追溯、和方法可复制。

AI Coding方法论演进 ▐指导思想:SDD—从混乱到可控

我们的核心观点:深刻认同并严格遵循当前AI Coding的事实标准——Spec-Driven Development(SDD)。

这不是因为我们选择了某种"流派",而是AI的技术特性决定了:没有Spec的AI Coding必然失控,只有Spec才能建立长期可控的人机协作。

在深入方法之前,必须理解AI写代码的三个硬约束:

这些不是模型不够强,而是当前AI的固有特性。任何不针对这些限制设计的方法论,最终都会撞墙。

Vibe Coding(完全用自然语言描述,让AI自由发挥)在小项目、原型阶段也许可行,但在实际业务中必然失败:核心问题:没有标准和约束

对于有经验的开发者来说,这从一开始就是不可接受的。我们需要的不是"可能能跑"的代码,而是"可预测、可维护、可协作"的工程产物。

SDD(Spec-Driven Development)的核心理念是:代码是Spec的副作用。我们将规格说明(Specification)作为唯一真实来源(Single Source of Truth),代码只是它的派生产物。

这样做直接解决了上面的三个问题:

我们采用了标准的SDD流程:Specify(规格定义)-> Plan(方案规划)-> Implement(代码实现)-> Validate(验证确认)。具体会在后面的实践章节详细展开。

为了落地SDD,我们借鉴了Spec Kit等业界实践的思想,建立了分层的文档体系:

SDD是Harness Engineering(驾驭工程)在AI Coding领域的具体实践。Harness解决的核心问题是:当AI能力足够强时,如何防止它失控。

我们将SDD映射到Harness的四层架构中:

核心结论:模型能力不是瓶颈,SDD才是让AI Coding从"碰运气"变成了可重复、可管控的关键工程。

▐历史尝试:多Agent P2C工作流 + Coding Agent

具体到SDD的实施,在早期实践中,我们建设了一套多Agent P2C(PRD to Code)工作流。

整体目标:“端到端”、全自动P2C

整体步骤:预生成知识库 -> 需求分析&改写 -> 技术方案生成 -> 代码生成 -> 自动化测试(规划)。每一步都产出下一步的Spec。

分步流程:具体每一层,又基于软件工程学,分别设计了多个Agent参与。拿需求分析&改写举例:流程总控(coordinator)-> 内容生成(rewriter) -> 问题澄清(clarifier) -> 内容校验(analyzer)。校验不通过最多迭代3次。

虽然目标是“端到端”、全自动,但是不得不提供最小化问答式问题澄清。

什么能工作:

什么不符合预期:

虽然能产出代码,但追求完全自动化的路线存在明显不足,难以达到稳定生产要求。这让我们确认:

▐当前方案:Aone Copilot + 开发者深度参与的SDD

从P2C工作流的经验中,我们意识到一个关键问题:AI Coding的瓶颈不在代码生成,而在上下文管理和质量把控。全自动流水线看起来很美,但每一步的误差会层层放大,最终导致产出不可控。 因此,我们升级了实践方案:不再追求"端到端自动化",而是让开发者回到驾驶座,用Aone Copilot + 开发者深度参与的方式落地SDD。

从P2C的教训来看,工具链的成熟度直接决定了AI Coding的天花板。相比于Coding Agent等CLI工具,Aone Copilot作为IDE Extension具备几个关键优势:

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/neirongchuangzuo/2026072720965.html