淘天营销中后台 AI 生码工作流最佳实践¶

Ch01.424 淘天营销中后台 AI 生码工作流最佳实践¶

📊 Level ⭐⭐ | 8.4KB | entities/tmall-marketing-ai-workflow.md

核心命题¶

淘天营销中后台如何将 AI 生码从"点状辅助"升级为"覆盖需求交付全链路的一体化工作流"。

关键结论¶

收敛路径：统一至云端托管生码（基于 AoneSuper），解决本地三问题（环境不统一、AK管理难、执行易中断）
跨仓库工作区：git submodule + turborepo，聚合多仓库实现协同研发调试
可编排场景化工作流：以 CodeAgent CLI Command 机制串联需求准备→编码→构建部署
差异化策略：迁移/重构（高确定性）用架构说明文档+Skill固化；日常迭代（低确定性）用功能树查表替代推理
核心方法论：给恰好够用的精确知识、确定性逻辑交工程、知识建正向循环

核心场景¶

场景一：迁移/重构（高确定性）¶

问题：规则传递失真（碎片化描述）+ 验证缺失解法：

架构说明文档前置固化规则（新旧对照、禁止行为清单、接口映射）
Skill 按需加载（ProForm 表单 Skill、ProTable 表格 Skill）
工作流节点化：了解旧架构→计划制定→编码实现→验证收尾效果：赠品重构功能点完成率 71.43%，TC 通过率 66.7%，效率提升 58.13%

场景二：日常迭代（低确定性）¶

初期问题：信息过载 + 知识来源优先级不清 + 链路衰减解法：

功能树：功能点粒度精确知识，匹配后查表替代推理链路
分层研发指引：功能点层（精确，匹配时用）+ 应用层（兜底，未覆盖时用）
动态按需获取：包装统一资产查询 MCP，Agent 按需调用
D2C 还原：结构分析驱动实现策略（结构重写 vs 样式迁移）
API 解析：类型生成 + 结构处理 + mock，约定 @API 标记效果：功能树覆盖需求点生码完成度从 40%~50% 提升至 80%~90%

关键技术细节¶

跨仓库工作区¶

外层文件夹（独立git空间）
  ├─ .git（submodule 主仓库）
  ├─ projects/（通过submodule聚合子仓库）
  │   ├─ repo-A
  │   ├─ repo-B
  │   └─ ...
  ├─ Skills/（Agent消费配置）
  ├─ MCP/（MCP配置）
  └─ 中间产物/（需求理解、方案设计、任务列表）

turborepo 调试优化¶

一键启动所有子仓库服务
自动配置子仓库间依赖 link
不改变业务代码的维护方式

功能树节点绑定¶

叶节点 → 关联代码（路径+概要）+ 关联接口 + 关联设计稿（D2C）+ 关联Skill

工程哲学¶

原则	含义
精确 > 完整	知识的精确度比完整度更重要，给恰好够用的知识
确定性逻辑交工程	可枚举的路由/映射/格式处理收口到工程链路
知识正向循环	每次迭代产出回流为下次生码的知识资产

交叉引用¶

原文存档
Agent Skill 编写指南 — 与本文 Skill 按需加载思想相关
Agent 上下文窗口管理对比 — 与本文"给恰好够用的精确知识"方法论相关
Skill 设计模式 — 表单/表格领域 Skill 可参考本文的 ProForm/ProTable 封装思路

深度分析¶

"给恰好够用的精确知识"是淘天方法论的核心洞察。传统 AI 助力的思路是提供越多的上下文越好，但淘天团队发现这对 AI Agent 实际上是有害的——信息过载导致推理链路衰减，AI 难以识别关键决策点。功能树（Function Tree）的本质是将领域知识从"文档堆砌"转化为"可查表的精确匹配"，让 AI 在遇到具体功能点时直接查表获取执行规范，而不是自己去推理。 两阶段策略对应两种确定性区间。迁移/重构场景具有高确定性：规则明确、接口稳定、预期清晰，适合用 Skill 固化架构约束和禁止行为清单。日常迭代场景具有低确定性：需求碎片化、知识来源分散、链路长，适合用功能树查表替代推理。两者的共同原则是"确定性逻辑交工程"——可枚举的路由、映射、格式处理全部收口到工程链路，AI 只负责知识匹配和执行协调。 跨仓库工作区设计揭示了 Agent 时代研发组织的变化。git submodule + turborepo 的组合解决了多仓库协同问题，但更深层的意义是：AI Agent 介入研发流程后，单一代码仓库的范式已经不够用了。AI 需要能够跨越多个仓库理解整体架构，并行调试多个子模块，这种"聚合调试空间"的设计本质上是给 AI 提供一个完整的问题解决上下文。 云端托管生码解决了 AI 落地的三个实际问题：环境不统一（本地开发环境与 AI 执行环境差异）、AK 管理难（密钥和凭证的安全管理）、执行易中断（本地资源限制和网络问题）。将生码能力集中到云端，使得 AI 执行环境可以被标准化管理，同时保持触发入口的多样性（CodeAgent CLI）。

实践启示¶

先用功能树做知识结构化：在团队知识库中识别高频场景，将领域知识从自然语言文档转化为"叶节点 → 代码路径 + 接口 + 设计稿 + Skill"的查表结构。这一步是后续所有 AI 自动化的基础。
差异策略不是二选一，而是动态切换：同一个需求可能同时包含确定性高的部分（已知接口）和不确定性高的部分（新的业务逻辑）。AI 需要能够在一个请求内动态切换策略——确定性高时用 Skill 固化规则，不确定时触发功能树查表。
D2C 还原要区分策略：结构重写（新的实现方案）和样式迁移（保持功能但改写法）需要不同的 AI 执行策略。前者需要 AI 做架构决策，后者只需要 AI 做格式转换。标记清楚可以大幅提升 AI 准确率。
Skill 复用需要版本管理：ProForm Skill、ProTable Skill 等领域封装会被多个场景复用。建议建立 Skill 版本机制，确保升级时不会破坏已有的功能树节点绑定关系。
中间产物要保留：需求理解、方案设计、任务列表等中间产物是 AI 推理过程的体现，保留它们可以用于后续的 case 分析和流程优化。当 AI 产出不符合预期时，中间产物是最重要的调试依据。
云端托管不等于丧失控制：AoneSuper 云端生码平台需要配置访问权限、AK 管理策略和执行超时机制。建议在采用前评估平台的合规性和审计能力。