腾讯企业微信团队 Skill 流水线：AI代码生成率94%的需求开发全流程¶

Ch07.076 腾讯企业微信团队 Skill 流水线：AI代码生成率94%的需求开发全流程¶

📊 Level ⭐⭐ | 5.2KB | entities/tencent-wework-skill-requirement-development-pipeline.md

腾讯企业微信团队 Skill 流水线：AI代码生成率94%的需求开发全流程¶

来源：腾讯技术工程 - 企业微信团队 gomezlai，2026-07-20 核心命题：AI 不是不会写代码，是不会"按工程规范"开发需求。把需求开发流程化、原子化、可校验化，然后用一个 Skill 串起所有阶段。

背景：企业级移动端开发的六大痛点¶

企业微信团队面临 9000+ 源文件、跨多层调用的企业级移动端项目，AI辅助编码的六大真实堵点：

1. 上下文塞不下 — 整段源码喂不进，跨 5-6 层调用关系无法在单轮对话中表达
2. 物料分散 — PRD/TAPD/Figma/企微文档/Figma Token 之间无统一入口
3. 命名不一致 — 用户语言 vs 代码标识符之间的语义鸿沟
4. 模糊指令 — "按 PRD 改一下"导致 AI 跳过拆解直接改代码，越界漏改
5. 验证不闭环 — AI 自报"完成"但编译失败或逻辑不通
6. 跨会话失忆 — 上次的设计决策、文件改动和改因在下次会话中丢失

8 阶段 Skill 流水线¶

以「阶段·动作」命名约定贯穿，每个阶段有明确输入、产出和机器可校验的退出标准，形成一条严格顺序的流水线。

① 设计稿阶段¶

• 输入：Figma 链接
• 关键动作：脚本化直方图筛选 — 按尺寸规格对设计稿做直方图统计，自动筛选移动端候选稿，绝不允许 LLM "手感"分桶
• 产出：移动端候选稿清单 + PNG 概览

② 拆解阶段¶

• 输入：PRD + 设计稿 + CGI + TAPD
• 关键动作：多源收料 + 归宿校验 — 每张设计稿必须归到三类之一
• 产出：五列需求清单 + subtasks.json 接力台账

③ 定位阶段（五步定位法）¶

• 输入：需求点
• 关键动作：五步逐层收敛
• 配置层 → 2. 基础能力层 → 3. 业务组件层 → 4. 页面展示层 → 5. 事件处理层
• 产出：文件 + 行号 + 调用链

④ 实现阶段¶

• 输入：调用链 + 上下文
• 关键动作：自底向上 — 数据 → 解析 → 枚举 → 业务 → UI → 日志
• 产出：代码改动

⑤ 验证阶段¶

• 关键动作：bazel build + 最多 3 轮自修复
• 产出：编译报告（退出码 0）

⑥ 模拟器验证阶段¶

• 关键动作：人机秒级确认，阶段内重试 ≤ 2 轮
• 产出：装机后截图 + 日志

⑦ 沉淀阶段（TECH_SPEC.md）¶

• 关键动作：生成 TECH_SPEC.md 单一事实源，记录本次改动的设计决策、文件清单、调用链和回退方案
• 意义：跨会话知识传承的载体，打通多会话间的工程记忆

⑧ 提交阶段¶

• 关键动作：三段式 commit + AI 署名 + 代码生成率统计
• 代码生成率：基于 git diff 行级分析，区分 AI 生成行 vs 人工修改行

关键设计原则¶

流程化 > 模型能力¶

我们的解法不是换更大的模型，而是把"需求开发"这件事流程化、原子化、可校验化，然后把每一步都喂给 AI。

脚本化 > LLM 手感¶

设计稿筛选不是靠 AI "觉得哪个像移动端稿"，而是用脚本做直方图统计。只要能用确定性程序解决的问题，就不该交给 LLM 的模糊判断。

外部知识载体 > 模型记忆¶

TECH_SPEC.md 作为跨会话知识传承的外部文件，比依赖模型的内在记忆更可靠。这与 Anthropic Long Running Agent Architecture 6H Retroforge 的"文件系统 > 模型记忆"原则一致。

阶段性验证¶

每个阶段有独立验证退出标准，验证从编译（阶段⑤）到模拟器（阶段⑥）到知识沉淀（阶段⑦）逐级上升，避免"完成"的虚假声明。

对比¶

→ 原文存档

关联¶

• 相关概念: Harness Engineering