大家好，我是知了，一名程序员，曾负责过几亿用户的后端系统架构，目前在尝试AI编程，以下这篇文章是我们团队两个多月的企业级AI编程的尝试。

阶段一：AI编程需求验证

背景：应用是基于SpringCloud的微服务架构，核心微服务（应用）涉及5个，整个应用的发展历程5年以上，整体代码质量风格不统一

前两个月，我们针对公司的某个项目，开展了AI辅助开发的探索性实践，以评估其在项目开发中的适用性和效率提升潜力。为了验证可行性，我们选取了多个实际需求进行测试评估，其中具有代表性的是两个需求：

复杂需求：基于老的业务逻辑优化的需求

简单需求：一个比较独立的新业务模块

测试下来两个需求的特点和效果：

上面的验证工具层面分别使用了Cursor+Claude4，Cline+Qwen3 Code；总体看来Cursor+Claude4生成代码效果最好；

关键结论：

简单需求：AI辅助在代码生成阶段优势明显，但设计文档准备时间抵消部分效率提升。

复杂需求：业务逻辑复杂导致设计阶段耗时增加，AI辅助可能无法显著缩短总时长，甚至因上下文准备而效率更低。

适用场景：AI更适合功能明确、逻辑清晰的增量开发，而非强依赖业务知识的复杂流程重构。

上下文准备耗时： 为AI提供充足、准确的上下文信息（如数据模型、依赖服务、通用组件等）所花费的时间，远超过实际的代码生成时间。

规范需求文档： 采用特定格式和规范编写原始需求文档，有助于提升AI生成设计方案的准确性。

控制文件规模： 对于大型源文件（建议单文件控制在1000行以内），优先考虑进行重构（例如利用AI辅助实现单一职责），再进行功能修改，效果更佳。

分阶段实施与纠偏： 现阶段技术下，直接从原始需求一步到位生成最终业务代码可行性低。需分解为多个阶段（如需求梳理、方案时间、代码生成），在每个阶段进行人工确认和纠偏，逐步增加产出物的确定性。

阶段二：AI编程流程化&产品化

经过阶段一的探索，虽然整体效果不太理想，但也基本确认了AI辅助开发的可行性，同时还形成了一套研发流程和配套的文档规范。

AI辅助研发流程

这套流程旨在解决AI辅助开发中的两个核心问题。

我们内部讨论时，有同事曾提出疑问：为什么不直接将原始需求投喂给AI，一步生成最终代码？为什么要拆分为多个阶段？原因在于，我们需要解决以下两个关键制约：

1、解决AI输出的不确定性，保证过程可控

从模糊的业务需求到精确的业务代码，本质上是一个逐步消除不确定性的过程。如果将这个过程完全交给AI，就如同一个黑盒，产出结果往往不可控。

我们将研发过程分解为需求梳理、方案设计、代码开发三个阶段。这种方式有两点好处：

分阶段锁定成果：每个阶段的输出都由人工进行评审和确认。例如，只有在设计方案通过评审后，才会进入代码开发阶段。这保证了下一阶段的输入是准确可靠的，避免了在错误的方向上浪费精力。

明确人工介入节点：每个阶段都由经验丰富的工程师进行纠偏和决策。这确保了AI的产出始终在正确的轨道上，最终交付的代码质量才能得到保障。

2、解决AI上下文的局限性，实现知识精准注入

目前的大语言模型，其“记忆”（即上下文窗口）是有限的，无法一次性理解项目的所有背景信息。将全部文档一次性投喂，效果往往不佳。

我们的分阶段流程，本质上是为AI在不同阶段“减负”，让它能专注处理当前任务最核心的信息：

需求梳理阶段：AI的核心任务是理解“做什么”。此时，我们主要向其提供业务相关的知识，如数据模型、核心功能，帮助它准确理解功能目标。

方案设计阶段：AI的核心任务是规划“怎么做”。此时，我们主要提供技术架构文档，帮助它设计出符合系统现状的技术方案。

代码开发阶段：AI的核心任务是“写代码”。此时，我们向其提供已经评审通过的设计方案和团队的编码规范，确保生成的代码能够直接使用。

为了更好的阅读体验，来飞书看吧：

https://ba3cyh4w3d7.feishu.cn/docx/VbHzdMVMSohNU4xfhp3ces9rnze