88 lines
4.7 KiB
Markdown
88 lines
4.7 KiB
Markdown
# AI-First 产研团队的交付路径
|
||
|
||
**来源：** [微信公众号 - 昀启AI+](https://mp.weixin.qq.com/s/dNLJagjAoHtiUJj_bc8k0g)
|
||
**作者：** 昀启
|
||
**日期：** 2026年4月21日 09:47
|
||
**标签：** #AI-First #上下文工程 #Skill-as-Code #产研协作 #交付路径
|
||
|
||
---
|
||
|
||
## 核心框架
|
||
|
||
- **指标**：AI 初稿准确率
|
||
- **底座**：上下文工程 (L0/L1/L2 三层收敛）
|
||
- **载体**：Skill-as-Code — 把团队规范和工作方法硬编码为可版本管理的工程资产
|
||
|
||
---
|
||
|
||
## 初稿准确率是 AI 协作的前置变量
|
||
|
||
> 为什么同样使用模型，不同团队的产出质量会出现显著差异？
|
||
|
||
**差异的根源不在模型能力，而在于 AI 所获得的上下文质量。** 上下文充分且精准时，第一版初稿往往已接近可交付标准；上下文残缺或含混时，AI 的产出更像基于有限信息的推测，返工成本随之上升。
|
||
|
||
**核心度量：** AI 生成的第一版初稿，有多大比例可以进入审查流程，或仅经少量调整后即可交付。
|
||
|
||
这个指标直接关联 AI 协作的真实 ROI：
|
||
- 初稿准确率高 → 人的精力更多用在审查和决策上
|
||
- 初稿准确率低 → 人的精力持续消耗在返工和修补上
|
||
|
||
很多团队引入 AI 后体感"快了但不稳"，本质上就是这个指标波动过大。
|
||
|
||
---
|
||
|
||
## 六段式交付闭环：上下文逐级收敛与同步更新
|
||
|
||
六个阶段的核心逻辑不是线性流程编排，而是**上下文逐级收敛、阶段持续校验、结果最终回写**。
|
||
|
||
| 阶段 | 人的职责 | AI 的职责 | 显性资产（给人的） | 隐性上下文（给下阶段 AI 的） |
|
||
| ---------------------------------- | ----------- | ------------- | ------------- | ---------------- |
|
||
| 业务需求 | 定义目标、边界、优先级 | 起草需求内容 | 需求文档 | 业务意图、边界约束 |
|
||
| PRD 设计（write-prd Skill） | 澄清歧义、确认范围 | 生成结构化 PRD | AI 可执行的 PRD | 功能目标、业务规则、验收标准 |
|
||
| 技术方案设计（write-tech-design Skill） | 评审架构可行性 | 产出方案初稿 | 技术方案 + API 契约 | 模块边界、接口约定、架构约束 |
|
||
| 任务拆解（breakdown-tasks Skill） | 确认优先级与依赖 | 拆解为可执行单元 | WBS 任务列表 | 单任务输入/输出/依赖/验收标准 |
|
||
| Daily Coding Agent（编码/单测/CR Skill） | 审核关键逻辑与架构边界 | 编码→单测→CR→修复循环 | 经验证后可交付的代码 | 代码变更记录、新增接口与规则 |
|
||
| 上下文更新（update-context Skill） | 审检沉淀结果 | 回写知识与上下文 | 更新后的知识资产 | 下一轮迭代的全量上下文基线 |
|
||
|
||
**关键洞察**：注意"隐性上下文"这一列——需求阶段提供业务意图，PRD 阶段将意图转为结构化约束，技术方案阶段将约束收敛为技术决策，任务拆解阶段再将决策压缩为最小执行单元。到 Daily Coding Agent 阶段，AI 拿到的已不是一个模糊需求，而是一份高度收敛的任务上下文。
|
||
|
||
最后一个阶段"上下文更新"负责闭合整个循环：代码变更后上下文同步刷新，确保下一轮迭代时 AI 的输入不会过时。
|
||
|
||
---
|
||
|
||
## 上下文工程：知识库与分层加载
|
||
|
||
### 系统知识库
|
||
|
||
| 业务视角 | 技术视角 |
|
||
|----------|----------|
|
||
| 功能清单、业务流程、领域知识、状态规则 | 架构文档、数据模型、API 契约、技术规范 |
|
||
|
||
两者之间通过**共享术语表**打通，确保 AI 在生成内容时，业务概念与技术实现使用同一套语义。
|
||
|
||
> 知识库的完整度，直接决定了 AI 理解业务的深度，也决定了首稿在业务逻辑层面的可用程度。
|
||
|
||
### 三层加载模型
|
||
- **L0（项目级）**：全局一致性
|
||
- **L1（文件级）**：局部适配
|
||
- **L2（任务级）**：单次任务准确率
|
||
|
||
核心原则：**只在需要的时候给需要的信息。**
|
||
|
||
### 上下文工程为什么应被视为组织级投入
|
||
1. 决定了 AI 投入能否产生实际回报
|
||
2. 是团队能力的沉淀载体（人员流动冲击减小）
|
||
3. 具备复利效应——正向循环 vs 负向衰减
|
||
|
||
---
|
||
|
||
## Skill 体系：上下文工程的可复用封装
|
||
|
||
Skill-as-Code：把团队的工作方法与质量约束写成可版本管理的文本契约，而不是散落在聊天窗口里的一次性指令。
|
||
|
||
文章中提到的 Skill 包括：
|
||
- `write-prd`：生成结构化 PRD
|
||
- `write-tech-design`：产出技术方案初稿
|
||
- `breakdown-tasks`：拆解为可执行单元
|
||
- `update-context`：回写知识与上下文
|