团队开发-大模型提效方向概述

一、大模型开发工具链

1、主力生产工具

2、场景探索工具 (特定领域)

• Oxygen Zero：京东内部一站式产品原型设计平台
• ScriptEcho：基于Ant Design等组件库的主题式生成，适合快速搭建B端表单页，减少重复劳动。
• Figma-to-Code：通过插件直接将设计稿转换为Vue/React代码，适合UI还原度要求高且逻辑简单的静态页。
• AI 增强型终端Warp：
  • Warp：将终端命令行的输入输出块级化，支持自然语言查询命令（如：“如何撤销上一次git commit”），减少记忆CLI命令的负担。

二、代码知识沉淀 (Knowledge Management)

AI不仅是生成代码的工具，更是知识管理的引擎。我们需要构建基于RAG的知识库，让AI“懂”团队的业务和规范。沉淀从个人记忆到**团队资产。**解决“新人不了解历史代码逻辑”的问题。

1、 知识库形态对比

协同工具	DeepWiki	私有项目知识库 (Repo RAG)
查询方式	“Search模式”：关键词搜索，点击链接阅读。	“IDE内联”：在写代码时通过mcp工具查询相关知识。

2、 建设策略：私有项目知识库

结合项目代码，建立私有的**Context Provider，**前期投入虽大，却能提升后期成员AIcoding的采纳率和生成效果。

1. 显性知识向量化：将团队的内部代码规范、核心工具库、UI组件库文档、API接口定义、网络请求规范等导入向量数据库。
2. 隐性知识提取：定期利用LLM分析Git Commit Log和PR Review记录，生成“常见错误集锦”和“最佳实践案例”，自动存入知识库。
3. IDE集成：在IDE中配置.rules，强制AI在生成代码前先读取核心规范。

三、团队 AI 开发 (Team AI Workflow)

引入AI不仅是换工具，更是研发模式的重构。我们需要从“写代码”转向“设计代码”和“验收代码”。

1、 PromptTemplate 提示词模板库建设

建立团队共享的PromptTemplate和AgentRules仓库，如我们之前打造的OmniAgent，按场景（如技术方案设计、后端代码生成、SQL编写）分类管理。

• 结构化：使用清晰的系统指令（角色）、用户指令（任务）、上下文（代码片段）和格式要求。
• 可迭代：记录不同提示词的效果，持续优化。
• 共享机制：通过Git仓库管理Prompt，团队成员可提交PR优化提示词。

2、 AI Coding 新模式

A. Vibe Coding (氛围编程)

概念源自 Andrej Karpathy

• 定义：开发者不再专注于逐行编写语法正确的代码，而是专注于管理代码的逻辑流和功能实现。
• 工作流：
  1. 开发者用自然语言描述需求（Vibe/意图）。
  2. AI 生成完整模块。
  3. 开发者Review运行结果，如果不对，不改代码，而是修改Prompt（调整Vibe）。
  4. 核心转变：从Writer(编写者) 变为Manager(管理者/验收者)。
• 适用场景：脚本编写、数据处理、非核心业务逻辑、原型验证。

B. Spec Coding (规格驱动编程)

• 定义：强调先由AI或开发者产出清晰的需求、设计文档和任务列表，再进行开发。这种模式流程透明、结果可控，非常适合功能开发、遗产系统重构和需要严格设计的生产代码。
• 工作流：
  1. 开发者编写.spec文件或详细的 Interface 定义。
  2. AI 读取 Spec 和 Test，生成 Implementation（实现代码）。
  3. 自动运行测试，AI 根据报错自动修正代码，直到测试通过 (TDD Loop)。
• 适用场景：核心业务逻辑、复杂的模块、限定规则的项目等。

3、 全流程渗透

在这个流程中，我们期望与一系列智能的“Agent”协作，由Agent负责研发全流程的自动化和知识的串联。