柚漫剧 AI 全流程提效拆解¶

Ch01.356 柚漫剧 AI 全流程提效拆解¶

📊 Level ⭐⭐ | 10.1KB | entities/yumanju-ai-full-flow-efficiency.md

深度分析¶

1. 隐性知识显性化：Rules 是 AI Coding 落地的核心基建¶

柚漫剧团队在研发侧最关键的经验，不是选择哪个 AI 编程工具，而是投入了大量精力建设 Rules 体系：围绕自研跨端框架建设了 25 个规则文件，覆盖基础规则（项目结构、组件语法、样式白名单、布局最佳实践）、组件 & 能力专项规则（6 个内置组件 + 3 类能力）、工程专项规则（单元测试、AI CR 评审标准）、迁移规则（存量项目渐进式迁移）四大类。这个发现与的核心理念高度一致：AI Coding 的瓶颈从来不是模型能力不足，而是 AI 对团队内部工程上下文一无所知。柚漫剧把"每次纠正都差不多"的经验结构化为 Rules，让 AI 从第一次生成就携带完整的框架认知，而非每次从零教起。 关键洞察：Rules 的建设顺序是"被痛点倒逼"而非"提前规划"。柚漫剧的经验表明，当 AI 在某个场景反复出错时，就是需要补充 Rules 的信号。这条经验印证了中的一个核心原则：把团队内部的隐性知识转化为 AI 可消费的显性资产，才是 AI Coding 从"玩具"走向"生产力"的分水岭。

2. 角色重定义：从"人力驱动"到"AI 驱动"的范式跃迁¶

柚漫剧在产品、设计、研发三个角色上均展现了 AI 驱动后的角色重定义模式： 产品经理：AI 接管"从 0 到 60 分"的信息收集与处理工作，PM 将精力集中在深度判断性工作。Prompt 友好型 PRD 模板让需求文档本身成为 AI 可消费的输入，提升全链路阅读友好性。 设计师：从被动接收碎片化需求，转向上游成为"需求架构师"——通过预设 Prompt 组件模板，PM 只需输入业务核心逻辑即可快速生成原型草稿。设计师精力聚焦于"效果精修"（从 60 分的"毛坯房"到 90 分的"精装房"），原型交接减少大量重复搭建。研发：不再被动接收图纸，而是通过前置干预让设计产出即为"逻辑成品"。研发为 PM 和设计师提供前置的代码约束 Prompt（包括组件库规范、布局规则、性能基准），设计在研发设定的规则框架内调优，实现像素级自动化还原。这个三层角色重定义，本质上是将 AI 变成了跨越角色边界的协作基础设施，而非某个角色的私有工具。

3. "代码作为产研协作中间态"：多角色协同的未来形态¶

柚漫剧在官网项目上做了一次值得关注的实验：UE 使用 Figma Make 直接生成代码，FE 在此基础上做工程化处理。传统产研流程中，每个环节交付物形态不同（PRD → 设计稿 → 代码），信息在转换中不断损耗；而在这次实践中，代码本身成为了贯穿全流程的中间态。柚漫剧同时坦诚地划定了边界：这套模式目前更适合重交互、无历史包袱的新项目。对于有历史包袱、技术栈复杂的存量项目，更现实的做法是拆分模块——UE 负责关键模块的动效代码输出，FE 根据耦合程度选择直接采用或作为参考输入给 Coding Agent 进行工程适配。这与的核心论点形成互补：Figma Make 类工具的价值不只是提升设计到代码的转化效率，更重要的是改变了产研协作的信息流动方向——从单向传递变为围绕同一份数字资产的协同迭代。

实践启示¶

给 AI Coding 实践者的三条核心经验¶

1. 先找"高闭环任务"建立信任，再逐步扩展场景 柚漫剧的经验表明，优先选择标准化程度高、反馈周期短的任务（如样式拼装、单测补齐、规范化 CR）形成 AI 闭环样板。团队看到实际效果后，再推进更复杂的场景，阻力会小得多。切忌一上来就用 AI 处理最复杂的业务逻辑——那只会得到大量需要人工纠正的低质量代码，反而损害团队对 AI 的信任。 2. 投入基建（Rules/MCP/Skills）是单点到系统的必经之路 AI 工具用起来不难，但要让它在真实工程环境中持续产出可用代码，Rules 是绕不开的投入。柚漫剧围绕自研框架建设的 25 个规则文件，本质上是把"每次纠正差不多"的隐性知识变成 AI 每次都能遵循的显性规则。MCP 工具解决"AI 查不到端能力"的问题，Skills 解决"AI 不会按流程做事"的问题——三者共同构成 AI 理解团队工程上下文的完整基础设施。 3. 跨角色协同需要前置对齐架构，而非生成后修复 柚漫剧在 UE 与 FE 的协作中特别强调：不同角色的思维方式不同——研发习惯自上而下设计架构，设计习惯自下而上打磨细节。在 AI 参与的多角色协同中，如果不在生成前对齐整体结构，后续的返工成本会很高。这条经验对所有计划引入 AI Coding 的团队都有警示意义：AI 加速生成的前提是角色间对"正确方向"有共识，否则 AI 越强，返工越多。

AIQA 测试体系：从 Copilot 到 Agent 的范式转移¶

柚漫剧测试侧的实践同样值得关注：AI 角色从"Copilot"（人用工具）升级到"AI Agent"（人监督/调教 AI），实现从用例生成、规划生成到用例执行的完整链路。具体而言，柚漫剧构建了"主 Agent + 数字员工'度小智' + 六大专业 Agent + 工具生态 + 交付工程记忆"的 AIQA 架构，落地效果显著：客户端需求用例生成占比 74%、服务端新需求接口用例生成占比 81%。这个转变背后的逻辑值得深挖：当 AI 能够独立执行测试用例时，人的角色从"执行者"转变为"监督者"——但这要求 AI 对被测系统有足够深的理解（同样依赖 Rules/MCP 等基建能力），否则自主执行的"AI Agent"只会放大错误的影响范围。

核心结论¶

柚漫剧的全链路 AI 实践揭示了一个朴素但关键的道理：AI Coding 落地不是"用工具"的问题，而是"建基建"的问题。把团队的隐性知识（框架约束、编码规范、端能力接口、工作流程）变成 AI 可消费的显性资产，让代码成为产研协作的统一中间态——这不仅是当下的提效手段，也是未来研发协作方式演进的方向。