小米零售研发团队 AI 工程化三层实践：VAF + VKF + eight-claw¶

Ch09.136 小米零售研发团队 AI 工程化三层实践：VAF + VKF + eight-claw¶

📊 Level ⭐⭐ | 6.8KB | entities/xiaomi-retail-ai-engineering-three-layer-practice.md

小米零售研发团队 AI 工程化三层实践¶

摘要¶

小米零售研发团队在将 AI 工程化推到数百人规模后，总结的三层递进实践：VAF（统一工作流）→ VKF（代码知识索引）→ eight-claw（协作工作台），以及四条核心设计原则。从「少数人的效率突破」到「团队整体的可复现产能」，代表了组织级 AI 工程化从工具采用到系统重构的演进路线。

核心要点¶

VAF（统一工作流）：以菜单驱动低门槛工作流，将自由度换成确定性。用户只需跟菜单走，在每个放行点决策（按 yes 放行 / 按 e 继续修改），使不熟 AI 的同学也能稳定产出
VKF（代码知识索引）：核心失败教训——知识库不能替代码做二次表达。VKF 2.0 重新定位为代码的知识目录和索引，而非代码解释。专家领域纠偏是关键不可跳过的环节
eight-claw（协作工作台）：以飞书话题（thread）为最小并行治理单元的技术内核——话题拥有独立上下文、参与者、决策边界和执行状态
四条设计原则：降低门槛而非提升上限、代码索引至关重要、并行 > 串行与过程 > 结果、工具链迭代但知识协同沉淀

深度分析¶

1. VAF 的「菜单驱动」是对 AI 采用公平性的务实回答¶

小米发现自由探索期个体差异急剧拉大——少数人熟练使用 AI 工具，多数人反复尝试后回归手写。VAF 的设计以「降低门槛而非提升上限」为第一原则，本质是对 AI 技能分布不均的组织问题的工程化回应。菜单驱动的工作流将「会写 prompt」从个人技能转化为组织能力，使 80% 的「大多数」可以不理解 AI 原理而稳定使用。这与 观远 BI Agent 的可信推理链路 有相似逻辑——通过结构化流程降低对个人智能的依赖。

2. VKF 1.0 的失败教训是行业级的认知突破¶

「试图把代码翻译成知识文档」是很多团队在 AI 知识库建设中的第一阶段错误。VKF 团队发现的「三层精度损失」——代码→文档压缩、文档→任务不回验、自然语言错误更隐蔽——是行业级的认知贡献。最终结论「知识库不能替代码做二次表达」应该成为 AI 工程化的金句。VKF 2.0 转向代码索引而非代码解释，与阿里技术团队的 AI 友好代码架构实践思路一致——AI 需要的是导航而非翻译。

3. eight-claw 的「文件系统即状态机」是轻量架构的典范¶

eight-claw 选择不以传统 orchestrator 或 runtime 来管理 Agent 任务状态，而是以文件系统持久化——核心状态、过程产物全部以文件形式存储，每次状态转移写入 Event。这种选择源于务实地判断：AI CLI 和基座模型迭代太快，自建 Runtime 会很快过时。将稀缺精力集中在企业场景最需要的调度、状态机、审批、观测和治理上，而非底层编排。这种「做薄控制面、做厚数据面」的设计哲学值得所有 AI 工程平台借鉴。

4. 多引擎抽象是对 AI CLI 生态的正确姿态¶

eight-claw 同时接入 Codex CLI、Claude Code、OpenCode 三种引擎，不自己封装统一 Agent Runtime。这种「多引擎抽象」而非「统一运行时」的策略，背后是对 AI 工具生态快速迭代的认知：CC 引擎的竞争格局尚不清晰，过早锁定单一引擎或自建运行时都会在半年后面临技术债务。将抽象层放在调度和编排级别，而非工具级别，是务实的技术选择。

5. 「并行 > 串行，过程 > 结果」是对传统研发管理的重要修正¶

这一原则源于团队观察到：研发把需求 copy 到个人 AI 终端，和 AI 来回七八轮敲定方案，再把结论发回群——团队只能看到被压缩过的结果。决策过程没人看见，复盘靠回忆。以飞书话题为最小治理单元的设计，确保每条 AI 任务链路的上下文、参与者和决策过程都可见。这种透明化对于团队级别的 AI 协作至关重要——个体效率的提升如果没有团队透明度的保障，反而会加剧信息不均衡。

实践启示¶

AI 工程化的起点是降低门槛而非提升上限：团队中 80% 的「大多数」决定了组织的真正 AI 产能。优先建设让这 80% 也能稳定使用 AI 的流程和工具，而非只服务于 20% 的 AI 高手。
知识库的建设方向是「索引」而非「解释」：代码知识库的核心价值是帮助 AI 更快找到代码入口、链路和关键位置，而非替代代码做二次表达。放弃全量遍历，从关键入口反向推导架构骨架。
专家边界纠偏是知识库建设中不可跳过的环节：即使使用最好的 LLM，领域知识的结构化仍需领域专家参与（30 分钟-1 小时）。这个环节自动化程度最低但 ROI 最高。
并行治理单元是团队 AI 协作的基础设施：以「话题」为最小单元的组织方式，使每个 AI 任务的上下文、参与者和决策过程可见。工具选型时应优先支持话题级别的状态管理和审计能力。
多引擎架构优于统一 Agent 运行时：在 AI CLI 生态快速演进的阶段，将抽象层放在调度/审批/治理层面，而非工具层面。自建统一运行时大概率在 6 个月内过时。