ARTICLE · 人工智能
复杂业务团队的 AI Coding 交付实践：知识库、RD 流程和质量门禁
一语总结大淘宝技术团队分享复杂业务场景下的 AI Coding 交付实践，通过分层知识库、文件化 RD 流程与前置质量门禁，解决 AI 在理解、拆解、扩展点选择上易走偏的问题，实现人机协同的高质量交付。
文章系统阐述了大淘宝技术团队在复杂后端业务场景落地 AI Coding 的第一阶段实践：构建分层知识库、建立文件化 RD 研发流程、设置前置质量门禁。知识库设计为 main（全局业务）、applications（应用知识）、candidate（候选知识）、personal（个人经验）、template（强约束模板）五层，配合 ROUTING.md 实现渐进式上下文加载，核心原则是“KB 提供稳定上下文，当前代码仍是实现事实”。RD 流程用 Markdown 承载需求全生命周期产物（requirement.md、implementation-check.md、continue-prompt.md），支持跨会话接续、人工审查、工具解耦。质量门禁前置关键节点（PRD 验证、需求澄清、方案评审、编码前契约确认、代码对账、发布计划），强调“开发可中断，上下文不丢失”，且不追求 100% 全 AI 生成，而是让 AI 负责分析实现、人聚焦关键判断。文中附带完整目录结构、YAML Front Matter 模板、命令协议流程及一真实脱敏案例，展示了从需求拆解到方案偏差修正的完整链路，为工程团队落地 AI 辅助开发提供了极具参考价值的工程化范式。
- 分层知识库设计解决复杂业务上下文准确性与维护难题
将知识分为 main（跨应用通用）、applications（应用内领域/方案/基础/技术）、candidate（待确认暂存）、personal（个人经验）、template（强约束模板）五层，配合 ROUTING.md 按关键词/业务身份/Topic 定位，实现渐进式加载，避免上下文窗口污染与错误知识扩散。
- 文件化 RD 流程将研发状态显式落盘，支撑跨会话接续与工具解耦
需求全过程产物（源材料、澄清、分析、拆解、requirement.md、implementation-check.md、continue-prompt.md）均以 Markdown/YAML 存放于 rd/requirements/{id}/，新会话读取文件即可接续，人工可直接审查修改关键判断，不绑定特定 Coding Agent 产品。
- 前置质量门禁与人机协同 review 规避复杂业务高成本返工
在 PRD 验证、需求澄清、应用边界分析、编码前契约确认、方案设计、代码对账、发布计划等节点设置人工审查点，聚焦扩展点选择、状态规则、兼容策略、异步边界等高风险判断，践行 fail-fast 原则，目标是总成本更低、质量更稳，而非追求代码生成纯度。
- requirement.md 作为应用级开发契约，聚焦单应用上下文降低认知负载
跨应用需求按应用拆解生成独立 requirement.md，明确目标、非目标、边界、依赖知识、接口消息状态字段规则、验收标准、阻塞项，开发仅聚焦当前应用契约，validate 命令对账代码 diff 产出实现状态与续写提示，解决中断接续与需求变更对账难题。
- 知识回补闭环：personal → candidate → owner review → official → 引用 → 更新/废弃
建立知识流转机制，防止未验证推断污染正式库，强调接口签名、Topic、枚举等易变信息仅作定位入口，最终回代码核对，确保知识资产长期可信、可用。
复杂业务团队的 AI Coding 交付实践：知识库、RD 流程和质量门禁
文章系统阐述了大淘宝技术团队在复杂后端业务场景落地 AI Coding 的第一阶段实践：构建分层知识库、建立文件化 RD 研发流程、设置前置质量门禁。知识库设计为 main（全局业务）、applications（应用知识）、candidate（候选知识）、personal（个人经验）、template（强约束模板）五层，配合 ROUTING.md 实现渐进式上下文加载，核心原则是“KB 提供稳定上下文，当前代码仍是实现事实”。RD 流程用 Markdown 承载需求全生命周期产物（requirement.md、implementation-check.md、continue-prompt.md），支持跨会话接续、人工审查、工具解耦。质量门禁前置关键节点（PRD 验证、需求澄清、方案评审、编码前契约确认、代码对账、发布计划），强调“开发可中断，上下文不丢失”，且不追求 100% 全 AI 生成，而是让 AI 负责分析实现、人聚焦关键判断。文中附带完整目录结构、YAML Front Matter 模板、命令协议流程及一真实脱敏案例，展示了从需求拆解到方案偏差修正的完整链路，为工程团队落地 AI 辅助开发提供了极具参考价值的工程化范式。
文章金句
"工具可以换，模型可以升级，底层的团队上下文和研发协议需要自己沉淀。
"我们真正想解决的，是'复杂需求容易在理解、拆解和扩展点选择上走偏'的问题。
"KB 提供稳定上下文，当前代码仍然是实现事实。
"复杂业务里，错误知识比没有知识更危险。
"开发可以中断，研发上下文不能丢。
"我们也不追求 100% 全 AI。复杂业务交付的目标是总成本更低、质量更稳、风险更可控，不是追求'代码全部由 AI 生成'的纯度。