AI编程落地：小团队的进阶实践

前文提到，我们团队如何逐步推进AI编程的实施。

从引入工具、统一流程到摸索方法，前期主要解决的是如何启动这件事。

但真正运行起来后，我越发确信，真正的难点不在初期，而在后续阶段。

因为前期主要解决的是使用意愿、工具统一和流程启动。而后面要面对的，才是更棘手的挑战：

本文将按我们实际推进的脉络，继续深入剖析。

不能让模型每次都从零开始遍历代码库。

随着需求挖掘的深入，我们逐渐发现一个关键问题。

若缺乏知识库支撑，大模型处理需求时基本只能依靠两点：

这意味着，每个新需求到来，它都必须重新解读文档、重新探索代码。

短期内尚可运行，但长期下来，我心中持续浮现两个疑问：

项目规模越大，这种感受就越强烈。

面对十万行代码库，若每次都从头摸索，即便能找出些头绪，我也很难相信这个过程的稳定性。更何况，重复从零开始，成本也居高不下。

因此我们团队内部逐渐形成一个共识。

知识库不应一开始就设想得过于复杂。它本质上应该很简单：

就像为一本厚书整理出目录和重点页码。这样新需求到来时，AI无需逐页翻阅，而是能快速定位到相关章节和关键部分。

所以我们没有一开始就搭建复杂的系统，而是先建立了一个轻量版知识库。

先将项目中相对稳定的要素沉淀下来。如模块关系、核心规则、常见依赖路径及关键知识点。

完成后，我们又做了一项颇具价值的尝试。

并非直接认定知识库可用，而是先让模型基于知识库自动生成业务问题，再自行寻找答案，最后由人工判断答案是否符合业务认知。

这个过程类似于质量抽检。

若回答可靠，至少证明这套体系并非虚设，能为后续探索提供有效约束。

当然，现实问题依然存在：

因此我们最终采取的策略很简洁：

先构建轻量版本，验证其价值所在。

确认价值后，再逐步深化。切忌一开始就追求完美。

代码虽已生成，但如何确认其正确性？

知识库稍见成效后，新难题接踵而至。坦白说，这个挑战更为艰巨。

本周我们使用更强模型，结合已整理的知识库，处理了一个中等复杂度的需求。速度确实惊人，一到两小时就基本完成主体实现。

这个结果令人振奋。它表明AI在企业开发中已不再局限于辅助性工作，而是开始真正参与部分交付环节。

但说实话，我的兴奋并未持续太久。

因为代码生成后，我脑中浮现的第一个念头并非"速度真快"，而是"它是否真的做对了？"

至此，我逐渐意识到，企业应用中最难的并非让AI写出代码，而是验证它是否完成了所有该做的事。

这两者之间存在重要差异。

单从代码能力而言，我对大模型的信心已大幅提升。语法、结构、常规实现等方面，已不再是最大的担忧。

我真正担忧的，主要是两类问题。

第一类是需求覆盖问题。

第二类是动态数据问题。

许多企业需求并非静态问题。它们依赖上游数据、外部接口、下游链路状态，甚至还在开发中的联调结果。

这种情况下，AI或许能写出流畅的局部代码，但未必真正理解业务在真实数据流中的约束条件。

正因如此，走到这一步后，我们团队的关注点发生了明显转变。

过去我们更关注模型能否更强，而现在更关注如何完善验证体系。

因为越深入越会发现，企业AI落地的关键不仅在于其编写能力，更在于能否有效验证其正确性。

许多需求在开发前本就难以完全理清。

这并非团队不够严谨，也非有人故意模糊处理。

而是许多业务本身就是在开发和联调中边讨论、边修正、边收敛的。

在传统开发中，这种模式一直可行。因为开发者可以边写边判断、边改边补充，许多问题在过程中被消化。

但AI的介入会放大这个问题。

因为AI最理想的工作模式是需求前置清晰。提供的信息越完整，输出结果越稳定。

若需求只明确六七成，剩余部分只能靠猜测、补充和概率推断，问题便由此产生。

许多在人工开发中可凭经验消化的问题，在AI模型中容易转化为误差。

因此我愈发感觉，AI其实在倒逼团队做一件事：

把需求描述得更清晰。

这固然会增加前期投入，但并非坏事。

从长远看，它倒逼研发流程走向规范化。许多过去依赖经验支撑的环节，如今必须显性化。

当部分实现工作移交模型，验证环节就必须更前置、更明确。

过去测试在许多团队中更像是附加项，开发先行，测试后补。

但在AI编程场景下，我愈发认为测试环节将变得至关重要，甚至要从附加项转变为底层支撑。

因此，我们后续的重点工作已非常清晰：

全力构建验证体系。

具体包括：

沿着这个思路，我最近反复思考一个经典理念：

测试驱动开发

并非因为它新颖，而是因其测试先行的理念在大模型开发场景中显得尤为关键。

过去许多团队难以真正落地测试驱动开发，因为常依赖人工边写边消化。

但当部分实现工作交由模型后，测试就不再是锦上添花，而是质量基石。需求开发前即可明确验证规则。

我越来越倾向于这样一个判断。

若企业希望AI稳定参与开发，测试体系必须比以往更前置，实现测试前移。

因为过去许多质量问题靠经验型开发者在过程中消化，如今部分实现交由模型，验证环节就必须更前置、更明确。

如果说上篇主要讲述如何启动这件事，那本篇探讨的则是启动后真正的难点所在。

走到这一步，我反而比初期更加乐观。

因为这件事并非不可为，相反，我认为前景广阔。

只是它不会像宣传中那样一夜之间颠覆研发，而更像是一场工程化升级。

先用起工具，再理顺流程，再沉淀知识，最后补齐验证。

这条路行得通，只是越往后越考验团队的基本功。

若贵团队也在探索此路，后续我可将我们内部构建知识库、验证体系及需求测试的思路继续拆解分享。

若你也在推进AI编程落地，或正在完善知识库与验证体系，欢迎关注，后续我会分享探索过程中整理的资料。

链接上篇文章：AI编程小团队落地踩坑小记