📚 喵喵的笔记库

05-企业实战案例

26分钟阅读

企业实战案例

从 SDD-RIPER 到得物到美团到 Go 生态——AI 编程落地的真实经验。 方法论 → 04-Agent架构与设计 | 安全合规 → 08-安全与合规 | 评估测试 → 11-评估与测试

🧠 我的心智模型

AI 编程落地三阶段:

(例:个人试用 → 团队试点 → 全员推广,每一步的挑战完全不同)

✍️ 你的理解:

[来源：OpenAI] OpenAI 的实战数据提供了"极限实验"的标杆：5 个月，100 万行代码，1500 个 PR，0 行人工编写，时间缩短到原来的 1/10。这不是渐进式落地，而是激进式验证——证明在 Harness 足够好的情况下，AI 可以独立完成整个软件项目的生产。当然，这个实验的前提是团队花了大量时间构建 Harness（AGENTS.md + 自定义 linter + 架构约束 + 可观测性栈），Harness 的投入远大于模型选型的投入。

编码率的陷阱:

(例:编码率 89% 听着牛,但可能意味着开发者没在思考 -- 质量比数量重要)

✍️ 你的理解:

[来源：Anthropic] Anthropic 的对比实验提供了编码率之外的视角：同一模型，无 harness 只产出 200 的可用产品。这个对比说明，编码率只是表象，真正决定价值的是 Harness 的质量。没有 Harness 的 Agent 写再多代码也是垃圾回收，有 Harness 的 Agent 每行代码都有价值。

SDD(Spec-Driven Development):

(例:先写规格说明书再写代码,把人的思考前置,让 AI 执行)

✍️ 你的理解:

[来源：deusyu] deusyu 的 Ralph Demo 用一个极端案例展示了 Harness + SDD 的威力：321 秒，成本 $0.31，完成了一个完整的功能开发。关键不是模型有多强，而是 Harness 有多精准——spec 写得足够清晰，测试覆盖得足够完整，Agent 就能在一个循环里搞定。这和 OpenAI 百万行实验的理念完全一致：投入在 spec 和验证上的每一分钟，都在 Agent 执行阶段省下十分钟。

🎯 核心问题

  1. 企业落地 AI 编程最大的 3 个障碍是什么?怎么解决?
  2. 「编码率」这个指标够用吗?还需要什么指标来评估 AI 编程的真正价值?
  3. 快手/得物/货拉拉这些案例有什么共同模式?哪些经验对小团队(5人以下)适用?
  4. 你作为独立开发者的 AI 编程经验,和这些企业案例有什么本质不同?

📝 我的理解

企业落地模式

✍️

[来源：综合] 把 OpenAI、Anthropic、deusyu 三个案例放在一起看，有一条清晰的规律：投入比倒挂——传统开发 80% 时间写代码、20% 时间想清楚要写什么；AI 辅助开发反过来，80% 时间构建 Harness（spec + 测试 + 约束 + 反馈回路），20% 时间等 Agent 执行。代码编写成本趋近于零，但"让 Agent 正确执行"的成本大幅上升。

独立开发者的差异

✍️

⚡ 我的实战

我自己做过什么、踩过什么坑。真实经历才是分享中最值钱的部分。

✍️

🔒 关书自测

  1. SDD-RIPER 方法论的核心思想是什么?和传统开发流程有什么区别?
  2. 编码率 89.2% 是好是坏?还需要什么指标配合看?
  3. 如果你要给一个 5 人团队做 AI 编程落地试点,第一步做什么?
  4. 企业落地最大的安全风险是什么?怎么缓解?

🎤 费曼输出

1 句话版本:✍️ 3 分钟版本:✍️(给老板/CTO 讲「为什么要用 AI 编程、怎么落地」) 信心:_/10 最可能翻车的地方:✍️

参考资料

以下是原始资料索引,学习时查阅用。

企业实战

SDD-RIPER 三部曲（阿里云开发者）

  1. 觉醒篇：从传统编程转向大模型编程 — 为什么必须转
  2. 内功篇：AI 原生研发范式：从"代码中心"到"文档驱动"的演进 — 完整理论体系
  3. 落地篇：SDD-RIPER 团队落地指南：如何让整个团队在一周内跑通大模型编程 — 可执行的团队落地方案
  4. 实战篇：2026 年 AI 编码的"渐进式 Spec"实战指南 ⭐⭐⭐ — 渐进式复杂度框架（Rules → Spec → Tasks 按需加载）、编排层+执行层两层 Agent 架构、Propose→Apply→Fix→Review→Archive 完整工作流、code_copilot 框架完整目录结构和提示词模板
  5. 评测篇：Harness Engineering实践，做了一个平台让AI一晚上自动评测和优化你的系统 — 搭建 AI First 评测平台：AI 自动生成评测集 → 自主运行评测 → 提交报告 → 自动优化系统 → 循环迭代。三轮过夜优化，分数从 90.7→97.4→99.1
  6. 实战篇2：从玩具到生产力：用真实项目讲透 AI Agent 的 Harness Engineering ⭐⭐⭐ — Aegis 项目实战复盘。Harness 的本质：管「非确定性」而非「确定性」。架构四象限矩阵（静态预设/动态自主 × 隐式内部/显式外部），伪 Harness 识别，8 阶段 SOP，三层目标控盘，偏航信号识别，sdd-riper-one-light 工具骨架，程序员角色从执行者到控盘者的迁移
  7. 实战篇3：Harness Engineering：耗时一周，我是如何将应用的AI Coding率提升至90%的 ⭐⭐⭐ — 存量 Java 应用（10万+行）的完整 Harness 落地。三次范式跃迁（Prompt→Context→Harness），Agent 四种失败模式，四根支柱（上下文架构/Agent专业化/持久化记忆/结构化执行），AI Coding 率从 24.86%→90.54%
  8. 实战篇4：告别"氛围编程"：基于 Harness 治理和 SDD 的团队级 AI 研发范式演进与实践 ⭐⭐⭐ — 高德团队。核心洞察：出码率从 53%→80-90% 但提效不明显——研发是全链路问题。SDD 四阶段（Specify→Plan→Implement→Validate）+ Harness 四支柱 + 知识库三层架构 + 专家团模式 + 全链路自动化（PRD→Spec→代码→测试→部署）

其他企业实战

  1. Context Is All You Need:快手后端 AI Coding 的实践与思考
  2. AI编程实践:从 Claude Code 实践到团队协作的优化思考|得物技术
  3. 团队 AI 编码率稳步提升到 89.2% 的 AI Coding 实践分享
  4. AI 软件工程实践:构建企业级 Agentic SOC 平台
  5. AI研发新范式:基于技术方案全链路生成代码
  6. 适合很多公司和团队的 AI Coding 落地范式(一)
  7. 适合很多公司和团队的 AI Coding 落地范式(二)
  8. Agentic Coding 场景下基于职责分离的上下文管理思路分享
  9. AI Coding 后端开发实战:解锁 AI 辅助编程新范式
  10. 告别"Java化"的 Go 代码:深度复盘《Go编程蓝图》里的3个顶级架构真相
  11. AI 辅助重构 20 万行代码:渐进式重建代码秩序
  12. AI编程能力边界探索:基于 Claude Code 的 Spec Coding 项目实战|得物技术 ⭐⭐⭐ — 10 天从零搭建企业级中后台,2.5 万行代码,提效 36%。2754 次工具调用数据分析,三层规范体系(约束+示范+视觉),MCP 工具消除信息断层,AI 失效三种模式(上下文压缩/信息孤岛/任务目标模糊)
  13. 基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践|得物技术 ⭐⭐⭐ — Harness 思维（让 AI 模仿而非创造）+ SDD 驱动全栈代码生成 + 多仓工作区 + 多 Agent 并行开发（Cursor/Claude Code）+ 三阶段验证策略（Mock→联调→集成测试），前后端 2+4 人日压缩至 3 人日，提效 50%+

企业实战（搜索补充）

  • 美团：用Agent评测思路管理AI Coding —— 31万行代码AI重构的实践 ⭐⭐⭐ — 90%代码由AI生成，31万行系统重构。三大经验：(1) Agent评测思路管理AI Coding，"人人对齐→人机对齐"方法论复用；(2) AI重新定义经验——"能看全"不再是壁垒，"能判断什么重要"才是；(3) 技术债像业务需求一样被迭代消化。专家经验定向 + AI穷举排查，短时间内定位10个隐藏极深的性能隐患
  • 快手：万人组织AI研发范式跃迁之路 ⭐⭐⭐ — 3年万人组织系统总结。三阶段演进：平台化/数字化/精益化 → 智能化1.0（个人提效，AI编码率>30%）→ 智能化2.0（组织提效，L1 Copilot→L2 Agent→L3 Agentic）。关键洞察：AI工具≠个人提效≠组织提效，核心问题是如何将个人提效传导到组织提效
  • 货拉拉：货拉拉大模型应用开发体系演进与实践 — 悟空平台：14+部门50+场景落地。多模态知识引擎 + 多智能体协作工作流编排
  • 小米 Vela：AI 全面编程时代，工程师怎么写代码？ — 小米 Vela 团队内部思考。五个关键洞察：从"自己写"到"指挥Agent写"、TDD成为生存技能、系统架构是AI暂时替代不了的、知识图谱是AI加速助燃剂、工程师要造工具不只是用工具
  • 搜狗/腾讯输入法：搜狗输入法 Kuikly AI 工程化：Spec coding 的探索与落地 ⭐⭐⭐ — 跨端项目（Android/iOS/鸿蒙/H5）的 Spec Coding 工程化实践。AI友好型工程改造 + GAN 思路构建 AI 上下文文档生成器（生成器vs评估器多轮对抗）+ Spec-Kit 标准化流程 + Kuikly 开箱即用 AI 工具，AI 编码准确率提升 114%
  • 天猫品牌行业前端：AI Coding 前端实践后的复盘总结 — 后端用 AI 做前端开发的实战复盘。Prompt 质量、开发流程规范、上下文限制、人工干预指导，AI 能力边界分析
  • 字节 Trae：2026 企业级 AI 编程实践手册 — 用 Trae 开发 Trae 的自举实践，6 大方法论（Context Engineering/Skills/Spec & Rules/MCP/Agent），效率提升 340%，Top 10 MCP Servers + Top 10 Skills
  • 独立开发者：AI编程实践：从 Claude Code 到团队协作的 6 个落地抓手 ⭐⭐⭐ — 个人/小团队可落地的 6 个抓手：先写验收标准、提示词变任务单、Plan 即 WBS、护栏写进配置、成功封装 Skill、MCP+Subagents 规模化
  • 小团队 SDD：万字长文：团队落地 AI 辅助编程和 Specs 实战 — 架构师视角的团队落地。Kiro steering 约束 AI + Spec-Driven Development + 短链接服务完整实战案例
  • 长亭科技：AI 驱动码力全开 Workshop — 安全公司视角的 AI Coding。码力平台：AI研发工程师 + AI安全工程师双智能体，开发效率与安全并重

Go 生态实战案例

社区工具/Skill

  • CodeGrow：我写了一个 Skill，实现了人 + AI + 工程三方受益的增长飞轮 ⭐⭐ — 小谷dossweet。OpenClaw Skill，AI Coding 后自动沉淀知识（开发记录 + 子 skill 抽象 + AI 上下文总结 + 个人成长报告），支持 Git pre-push hook 触发和飞书云文档集成。GitHub：https://github.com/dossweet/Skills
  • 编辑工作流拆解：50万字旧稿，我用 Skill 变成资产 ⭐⭐ — 飞姐Phoebe。把英文审稿工作拆成 5 个 Skill：整理结构→优化表达→理解逻辑→提炼经验→再次输出。核心洞察："我不是做了 5 个 Skill，而是把'英文审稿这件事'拆开了"。三层本质：经验固化→认知外包→线性劳动变复利系统

海外企业参考

Claude Code 团队实践

  1. Claude Code 进阶指南:如何让 AI 真正读懂百万行代码?
  2. planning-with-files:3 个文件 + 4 个钩子,让 Claude Code 从"重启即忘"到"永久记忆"
  3. 一套可复制的 Claude Code 配置方案:CLAUDE.md、Rules、Commands、Hooks
  4. 让每个仓库"自己说了算":用 Claude Agent SDK 打造个性化 Code Review

学术研究

英文企业实战

大厂官方

权威个人实战

  • Addy Osmani (Google Chrome)：My LLM coding workflow going into 2026 ⭐⭐⭐ — Google Chrome 团队工程 leader 的 AI 编程工作流。spec.md 先行、code review（手动 + AI 辅助）、"LLMs reward existing best practices"、"like 10 devs worked on it without talking to each other" 的反模式
  • Addy Osmani：How to write a good spec for AI agents — Spec 写作实战指南。"kick off with a concise high-level spec, then have the AI expand it into a detailed plan"，上下文窗口限制下的精简 spec 策略
  • Addy Osmani：Agentic Engineering ⭐⭐⭐ — Vibe Coding vs Agentic Engineering 区分。"vibe coding means going with the vibes and not reviewing the code"，系统化 spec-first production-grade 方法论
  • Sebastian Raschka：Components of a Coding Agent ⭐⭐⭐ — 学术视角系统性拆解 Coding Agent：repo context、tool design、prompt-cache stability、memory、context compaction。含纯 Python Mini Coding Agent 实现
  • Karpathy：From Vibe Coding to Agentic Engineering @ Sequoia Ascent 2026 ⭐⭐⭐ — "Vibe Coding 提升所有人的下限。Agentic Engineering 探索质量与效率的上限。"
  • Nicholas Carlini (OpenAI)：OpenAI 百万行代码项目工程师 — "Most of my effort went into designing the environment around Claude — the tests, the environment, the feedback"

行业综合分析

关系图谱

反向链接