京东海博 AI-Native 研发工程体系：Harness+双Loop+知识库+技能自迭代¶

Ch04.558 京东海博 AI-Native 研发工程体系：Harness+双Loop+知识库+技能自迭代¶

📊 Level ⭐⭐ | 6.7KB | entities/jd-haibo-ai-native-harness-dual-loop-knowledge.md

京东海博 AI-Native 研发工程体系¶

京东海博（本地生活 SaaS 中台，10万+门店）的 AI-Native 研发工程体系。核心设计哲学：让 AI 适配工程体系，而非工程体系迁就 AI。

→ 原文存档

双层架构¶

用户级（团队通用规范+AI技能）× 项目级（业务专属配置）。自研 AI 路径解析协议，按"项目优先、用户兜底"加载。

三位一体 AI 体系¶

技能层：17 项全链路原生技能（需求拆分/技术方案/任务拆分编码/Bug修复/Code Review/线上检查），内置信誉蒸馏
Agent 层：三类只读审查 Agent，编审分离
规则层：固化硬约束，跨阶段强制门禁

双循环工程质量保障¶

开发期 TDD 双循环：最小任务→验收标准→写测试(红)→AI编码到全绿→CR→增量回归
部署后接口自测循环：真 baseUrl + 数据库-mcp 直查 + 真日志核对
四道护栏：验收标准共享 + 测试冻结 + 独立审计 + 熔断

技能自迭代闭环¶

Agent 持续采集运行数据，AI 自动分析高频问题/质量/效率，生成 Prompt/知识库/工具编排优化建议，通过评测验证后发布新版本。

知识库¶

基于 Google OKF 开放格式，Git 版本管控。三类更新：主干代码合并同步、AI 会话钩子自动抽取、人工录入。

落地成果¶

堂食判官（618 新规响应）：5 天上线。审核 1680x 提效（低峰 700条/min），70万零积压。成本降 99.25%（2→0.015元/条）
AI POS：100% AI 代码生成，商业化部署，收银提效 25-50%
自动化故障修复：线上 20%、线下 60% 问题自动化修复

深度分析¶

从"AI 适配工程"到"工程孕育 AI"的设计哲学¶

京东海博体系最突出的设计选择是让 AI 适配现有工程体系，而非为 AI 重写工程流程。这与许多团队"先引入 AI 工具再适配流程"的做法形成鲜明对比。该体系在用户级（通用）和项目级（专属）两层间建立了一个 AI 路径解析协议，实现了"项目优先、用户兜底"的加载策略——这一设计确保了 AI 行为的可预期性和渐进式采纳。

编审分离的 Agent 架构模式¶

三位一体 AI 体系中最关键的设计决策是编审分离——三类只读审查 Agent 拥有代码读取权限但无写入权限。这一模式借鉴了传统软件工程中"代码评审者不得与作者同组"的原则，在 AI 驱动的研发流程中建立了独立的第三方验证环节。四道护栏（验收标准共享、测试冻结、独立审计、熔断）进一步将这一模式制度化。

双循环 TDD 的质量纵深¶

开发期的 TDD 双循环（最小任务→验收标准→红→绿→CR→回归）与部署后的接口自测循环（真 baseUrl + 数据库-MCP 直查 + 真日志核对）形成了覆盖全生命周期的质量保障。其独特之处在于验收标准是"共享"的——测试用例必须在团队内可见，这为 AI 代码生成提供了明确的验收边界。

技能自迭代：从静态 Prompt 到动态进化¶

技能的自我迭代闭环是区分"AI 辅助编程"和"AI-Native 工程体系"的关键分水岭。持续采集运行数据 → AI 自动分析高频问题/质量/效率 → 生成 Prompt/知识库/工具编排优化建议 → 通过评测验证后发布新版本——这一闭环使研发流程本身具备学习能力，而不依赖于外部工具升级。

知识库的多模态更新机制¶

基于 Google OKF 开放格式和 Git 版本管控的知识库，通过三类更新（主干代码合并同步、AI 会话钩子自动抽取、人工录入）保持了知识的鲜活度。这种"自动为主、人工兜底"的知识管理策略，在知识陈旧和知识碎片化之间找到了平衡点。

实践启示¶

路径解析协议是 Harness 架构的核心骨架：用户级 × 项目级的双层设计可推广到任何需要平衡"通用能力"和"业务定制"的 AI 工程体系。关键是路径解析协议的设计——按什么优先顺序加载哪些上下文。
编审分离是质量护栏的最高优先级：AI 生成代码速度越快，独立的审查机制就越重要。只读 Agent（拥有读取权限但无写入权限）是一种低成本的编审分离实现，值得所有 AI-Native 团队采纳。
验收标准共享比测试覆盖率更关键：京东海博的经验表明，测试用例的可见性（共享验收标准）比测试覆盖率数字更有价值。当 AI 和人类共享同一套验收标准时，AI 生成代码的质量边界变得明确。
技能自迭代应当从第一天就设计：不要等到 Prompt 和知识库膨胀后再重构。京东海博的闭环设计表明，数据采集 → AI 分析 → 自动优化的循环应该在体系搭建之初就作为基础能力内置。
落地成果的价值在于验证方法论：堂食判官和 AI POS 的案例不仅是成果展示，更是验证方法论的样例。它们证明了 AI-Native 工程体系在"紧耦合业务"（需快速响应外部变化）和"系统化工程"（需持续质量保障）两个方向上均具可行性。