97.9%采纳率，胶水编程：业务需求出码最佳实践【天猫AI Coding实践系列】¶

Ch01.999 97.9%采纳率，胶水编程：业务需求出码最佳实践【天猫AI Coding实践系列】¶

📊 Level ⭐⭐ | 6.4KB | entities/979采纳率胶水编程业务需求出码最佳实践天猫ai-coding实践系列.md

97.9%采纳率，胶水编程：业务需求出码最佳实践【天猫AI Coding实践系列】¶

来源: 大淘宝技术

发布日期: 2026-03-27

原文链接: https://mp.weixin.qq.com/s/G3aKbzdGUyD2h1aVjvbr2g

本文分享了天猫团队在“胶水编程”场景下的最佳实践，即利用AI高效连接现有业务模块以快速响应需求，实现了高达97.9%的代码采纳率。文章指出，针对业务逻辑组装、接口对接及样板代码填充等“胶水”型任务，通过构建精准的上下文提示策略和标准化的开发流程，能极大发挥AI在理解业务意图和组合代码片段上的优势，显著缩短从需求到上线的周期；该实践证明了在特定高匹配度场景下，AI不仅能大幅减少人工编码工作量，还能保持极高的代码可用性与一致性，是业务需求快速交付的高效路径。

实践背景

试点业务域半年前采纳率 50%——不是 AI 写不出代码，而是写出来的代码不可控：组件乱用、规范不守、已知的坑反复踩。核心认知只有一条：

别让 AI 写代码，让它抄代码。把团队已有的开发规范、代码模式、领域知识喂给 Agent，让它组装而非创作——这套方法我们叫"胶水编程"。SPEC 管意图，物料管执行，两者叠加才是完整的可控编码。

下图是某大型电商平台一个全栈化试点业务域的真实数据（采纳率口径：以周期内所有 CR 合并上线的代码总行数为分母，其中由 AI 生成的行数为分子，按行级加权统计——不按迭代平均，避免大小迭代失真。

胶水编程：企业可控编码的设计哲学

胶水编程的核心主张：与其优化SPEC 让 AI 写得更好，不如直接给它好的东西来抄。胶水编程针对的正是"怎么做"这一层：

SPEC 管意图，物料管执行，两者叠加才是完整的可控编码。

效果有多直观？同一个订单列表页需求，看两份 Agent 产出的代码：

两份代码功能完全一样，组件也都用对了。差异全在"你给了 Agent 什么"。

▐ 核心理念：AI 不应该"写(SPEC)"代码，而应该"抄(GLUE)"代码

中后台业务有一个显著特征：绝大部分需求以 CRUD 为基础——列表页、表单页、详情页、导入导出，场景高度相似。这意味着团队代码库中天然存在大量可复用的模板化代码：上一个列表页的文件结构、组件选型、请求封装，下一个列表页几乎可以原样复制，只需替换业务字段和接口地址。既然 90% 的代码本来就有现成的参照，为什么还要让 AI 从零写？

这个假设转变有一个底层的技术直觉：大语言模型的核心训练目标是根据已有信息预测下一个 token——这使得它在

有参照物时表现显著优于无参照物时。当你给它一份已有的代码作为参照，它能精准地拟合出风格一致的新实现；

胶水编程不是在限制 AI，而是在顺应它的能力结构 ——让AI做拟合的事。能抄不写，能连不造，能复用不原创。团队积累的已有项目代码、组件库、编码规范、历史经验，就是我们的"轮子"。Agent 的工作不是从零创作，而是从内部物料中组装出新的交付，只在业务差异点写最少量的"胶水代码"——

90%抄，10%写，胶水只在缝隙处。

▐ 为什么企业需求交付需要比 SPEC/SDD 更具体的方案

AI 编码的可控性是逐步递进的，每一步都比上一步更具体、更可控：

Vibe Coding 解决了"能不能用 AI 写代码"。

用自然语言描述需求，AI 直接生成代码。探索原型够用了，但产出完全不可控——风格随机、质量看运气，不可能直接合入生产仓库。

SPEC Coding 解决了"AI

→ 原文存档

关联¶

相关概念: Harness Engineering