知识基座：让“AI 越用越懂业务”的团队经验实践【天猫AI Coding实践系列】¶

Ch01.1013 知识基座：让“AI 越用越懂业务”的团队经验实践【天猫AI Coding实践系列】¶

📊 Level ⭐⭐ | 6.3KB | entities/知识基座让ai-越用越懂业务的团队经验实践天猫ai-coding实践系列.md

知识基座：让“AI 越用越懂业务”的团队经验实践【天猫AI Coding实践系列】¶

来源: 大淘宝技术

发布日期: 2026-03-23

原文链接: https://mp.weixin.qq.com/s/P-p4-BH8AAOnTBRcpsoKeQ

本文分享了构建“AI全栈研发知识基座”的团队实践经验，旨在解决通用大模型不懂特定业务逻辑的痛点。文章提出通过系统化梳理业务文档、代码规范、架构决策及历史案例，构建高质量的企业专属知识库，并结合RAG技术将其嵌入研发全流程。该基座不仅让AI在代码生成、Bug修复和需求分析中能精准理解业务上下文，减少幻觉，还通过持续反馈机制实现知识的动态迭代，使AI随着团队使用不断“进化”，最终成为真正懂业务、能落地的智能研发伙伴，显著提升团队整体效能。

实践背景

实践背景 ：天猫业务域 A/业务域 B/业务域 C 三个业务域，近 200 名后端工程师，多种工作台，多种发布平台，大量存量页面。2025 年 11 月起，我们启动"后端全栈"试点——让后端工程师零前端基础，通过 AI 独立完成中后台前端需求。两个月落地中发现：同样的问题，有人 5 分钟解决，有人要花 2 小时。差距不在能力，而在

经验能否被沉淀和共享 。本文聚焦知识运营体系的构建：通过 信号驱动的智能沉淀 自动捕获隐性经验，通过 云端统一配置下发 实现团队知识共享，通过 多来源知识汇聚 整合平台基建和业务语义，最终让 AI 越用越懂业务。

从超级个体到超级团队

▐ 超级个体的涌现

AI Coding 工具已经非常成熟。Cursor、Qoder、Copilot……加上大模型本身能力的飞速提升，诞生了大量的

AI 超级个体 。

这些超级个体有几个共同特点：

• 有自己的方法论 ： 知道什么时候该让 AI 写代码，什么时候该自己动手；

• 有自己的工作流 ： 从需求理解到代码生成到测试验证，形成了一套高效的流程；

• 有自己的 Skills 沉淀 ：积累了大量的 prompt 模板、自定义规则、调试技巧。

这些人的研发效率可能是普通开发者的 5X甚至 10X。我周围就见过不少这样的超级个体。

▐ 但超级个体的经验难以复制

问题在于： 超级个体的经验很难传递给团队其他成员。

某大型电商平台正在进行一项实践探索： 让后端工程师通过 AI 独立完成中后台前端需求

。 11-12 月，我们在业务域 A、业务域 B、业务域 C 等业务域试点落地，月均交付 20~30 个前端需求，覆盖近 40 名后端同学。

在这个过程中，我们观察到一个现象：同样的问题，有的同学 5 分钟解决，有的同学要花 2 小时。差距不在于能力，而在于

经验是否能被沉淀 。

ProTable 列宽的坑，团队里两个同学先后踩了同样的坑，各花 2 小时调试。QueryFilter 的用法被问了十几次，业务域的特殊规范 AI 从来记不住。

会用的人知道怎么告诉 AI，不会的人反复踩坑。

读者可能会问：Cursor 有 Memory 功能，Claude 也有记忆能力，这些不是已经解决了"记住经验"的问题吗？

并没有。 这些工具的记忆机制和我们要解决的问题有本质区别：

维度 Cursor Memory / Claude Memory

我们的方案

存储位置 本地存储，跟着个人设备走 云端存储，团队共享

作用范围 单仓库、单用户 跨仓库、跨用户、按业务域隔离

沉淀机制 全量记忆压缩（把对话摘要存下来） 信号驱动提

→ 原文存档

关联¶

• 相关概念: Harness Engineering