ARTICLE · 人工智能
AI 代码生成率 94%：我们用一个 Skill 跑通需求开发全流程
一语总结本文详细介绍了腾讯企业微信团队如何通过一个名为 Skill 的 AI 辅助编码流水线，将需求开发流程拆解为 8 个阶段，实现 94%的代码生成率，并重点阐述了五步定位法、代码知识库和需求语义翻译等关键设计。
文章基于企业微信移动端真实项目，系统性地解决了 AI 在大型工程中写业务代码时面临的上下文塞不下、物料分散、命名不一致、模糊指令、验证不闭环、跨会话失忆六大痛点。核心方案是将需求开发流程拆解为设计稿、拆解、定位、实现、验证、模拟器验证、沉淀、提交 8 个语义化阶段，每个阶段输入清晰、产出明确、退出标准可机器校验。文章重点展开四个公理：每一步都在缩小范围的五步定位法（将 token 消耗从 10M+降至 30K）、三级金字塔代码知识库（L1 总览/L2 模块/L3 语义桥）及其自维护机制、需求语义翻译的五项确定性规则（硬关键词表、设计稿归宿、拦截点清单、五维搜索矩阵、结构化产物），以及自底向上的实现顺序。文章提供了大量真实案例、反例和硬性规则（如 RL-12、RL-21、RL-29），展示了如何让 AI 像有经验的同事一样独立完成需求开发。
- AI 写业务代码的核心瓶颈不是模型能力，而是缺乏工程化的需求开发流程。
文章指出，AI 在大型项目中常因上下文不足、物料分散、指令模糊等问题失败，解决之道是将需求开发流程化、原子化、可校验化，而非依赖更大模型。
- 五步定位法通过逐层收敛将 token 消耗降低 300 倍。
从意图消歧到验证确认共 5 步，前两步只看目录和文件名，第三步用脚本 grep，第四步才读代码片段，避免将整个代码库灌入 LLM。
- 三级金字塔知识库是 AI 精准定位的基础，且通过自维护机制永不过时。
L1 总览、L2 模块、L3 语义桥分别提供项目概览、文件级地图和设计 Token 到工程 API 的映射；配合 SHA 基线缓存和 pre-commit hook，确保知识库与代码同步。
- 需求语义翻译通过五项确定性规则将产品语言转化为代码指令。
包括硬关键词表确定范围、设计稿归宿强制归类、拦截点清单禁止语义联想、五维搜索矩阵扩展搜索词、结构化产物（五列表格+subtasks.json）作为 AI 的确定性输入。
- AI 友好与新人友好在知识库设计上完全统一。
文章指出，为 AI 构建的结构化项目地图同样帮助新同学快速上手，半天即可改 bug，不再需要依赖老人口头传授。
AI 代码生成率 94%：我们用一个 Skill 跑通需求开发全流程
文章基于企业微信移动端真实项目，系统性地解决了 AI 在大型工程中写业务代码时面临的上下文塞不下、物料分散、命名不一致、模糊指令、验证不闭环、跨会话失忆六大痛点。核心方案是将需求开发流程拆解为设计稿、拆解、定位、实现、验证、模拟器验证、沉淀、提交 8 个语义化阶段，每个阶段输入清晰、产出明确、退出标准可机器校验。文章重点展开四个公理：每一步都在缩小范围的五步定位法（将 token 消耗从 10M+降至 30K）、三级金字塔代码知识库（L1 总览/L2 模块/L3 语义桥）及其自维护机制、需求语义翻译的五项确定性规则（硬关键词表、设计稿归宿、拦截点清单、五维搜索矩阵、结构化产物），以及自底向上的实现顺序。文章提供了大量真实案例、反例和硬性规则（如 RL-12、RL-21、RL-29），展示了如何让 AI 像有经验的同事一样独立完成需求开发。
企业微信团队把需求开发拆成 8 个阶段，并用项目地图、五步定位、语义翻译规则和机器可校验的退出标准约束 AI。团队复盘称，这套 Skill 将上下文消耗从约 10M token 降到 30K，压缩约 300 倍，最终实现 94% 的代码生成率。值得复用的不是单个数字，而是让 AI 不再依赖人类充当 PRD 翻译机，把判断集中到少数硬关卡。
文章金句
"AI 不是不会写代码，是不会'按工程规范'开发需求。
"真正的提效不在'AI 写代码'，而在'AI 不再需要人来当翻译'。
"联想用于搜索，引用用于决策。
"AI 友好 和 新人友好 在这里完全统一了。
"总 token 消耗从'全项目灌入'的 ~10M+ 降到 ~30K——300× 的压缩比。