ARTICLE · 人工智能
AI Coding 之后，如何让 Agent 进入企业研发全链路？得物推荐的 Harness 实践
一语总结得物推荐团队分享将 AI Coding 扩展为覆盖需求、开发、验收与反思的研发全链路实践：TPRD 界定需求、CDD 三层知识体系、Highway + ATV 混合 Agent 架构，AI 渗透率约 30%，问题排查时长下降约 80%。
得物推荐团队资深技术专家在 AICon 上的演讲整理，核心回答「如何让 AI 从写代码走向完整研发迭代」。作者将研发迭代抽象为 PDCA 循环，指出多数团队的 AI 实践只覆盖编码阶段，得物的目标是把需求、开发、验收和问题反思串成完整链路。文章依次介绍各阶段落地方法：用 TPRD 和 Contract 将自然语言需求拆解为可执行边界；通过沙箱隔离、单测驱动和数据 Mock 减少 AI 等待；用 AI 模拟用户画像做推荐质量前置评测；将排查结果沉淀为 Story。针对知识丢失、随机漂移和路径不透明，作者提出 CDD，建立 L1/L2/L3 三层知识体系，补注释使 AI 回答准确率从约 52% 提升到 90% 以上；并设计 Highway + ATV 混合 Agent 架构，80% 已知问题走确定性代码路径，20% 长尾问题探索后反思固化为代码。阶段数据：AI 需求渗透率约 30%，问题排查时长下降约 80%。
- AI 要从写代码走向完整研发迭代，需覆盖 PDCA 全链路。
多数团队 AI 实践只覆盖编码阶段，需求、验收、效果判断与问题反思仍依赖人工；得物目标是把这些环节串联起来，让 AI 进入完整循环。
- 好的 AI Harness 是环境而非铁笼。
不应在 Prompt 中堆叠禁止词，而要通过沙箱隔离、依赖 Mock、单测驱动等基础设施把约束融入环境，让 AI 自然按预期方式运行，避免因显性限制过多而停摆。
- 用 TPRD 和 Contract 把自然语言需求变成可执行边界。
自然语言需求存在大量歧义，得物在 PRD 后增加 TPRD，将需求拆解为具体功能点并划定影响范围、优化目标和技术约束，作为开发、测试与验收的北极星。
- 建立 L1/L2/L3 三层知识体系是 AI 稳定理解企业代码的前提。
通过 CDD 先从注释切入，L1 规定行为硬边界、L2 沉淀模块设计知识、L3 提供代码即时注释；实测补注释后 AI 回答准确率从约 52% 提升到 90% 以上。
- 已知问题全部代码化，未知问题探索后反思再固化。
Highway 路径将已解决问题转成确定性代码直接执行，ATV 路径允许 AI 自主探索长尾问题；每晚反思把新解决问题固化为 Story 进入 Highway，减少随机漂移。
AI Coding 之后，如何让 Agent 进入企业研发全链路？得物推荐的 Harness 实践
得物推荐团队资深技术专家在 AICon 上的演讲整理，核心回答「如何让 AI 从写代码走向完整研发迭代」。作者将研发迭代抽象为 PDCA 循环，指出多数团队的 AI 实践只覆盖编码阶段，得物的目标是把需求、开发、验收和问题反思串成完整链路。文章依次介绍各阶段落地方法：用 TPRD 和 Contract 将自然语言需求拆解为可执行边界；通过沙箱隔离、单测驱动和数据 Mock 减少 AI 等待；用 AI 模拟用户画像做推荐质量前置评测；将排查结果沉淀为 Story。针对知识丢失、随机漂移和路径不透明，作者提出 CDD，建立 L1/L2/L3 三层知识体系，补注释使 AI 回答准确率从约 52% 提升到 90% 以上；并设计 Highway + ATV 混合 Agent 架构，80% 已知问题走确定性代码路径，20% 长尾问题探索后反思固化为代码。阶段数据：AI 需求渗透率约 30%，问题排查时长下降约 80%。
文章金句
"人会理解和补全，AI 也会理解和补全，但代码不会。
"对于已知问题，不要让 AI 每次重新思考，而是先让它执行已经验证过的代码。
"单次读取的信息增加了，但解决问题所需的对话轮次减少了。
"好的 Harness，是环境而不是铁笼
"我们的目标不是追求形式上的 AI 覆盖率，而是在真正适合的环节提高 AI 的参与度、产出采纳率和交付效率。