AI在实际生成环境中的提效实践

作者 | 国际化广告平台架构团队

随着AI时代的到来，各类AI工具不断涌现，业界正积极探索AI赋能的研发提效方案。我们团队结合自身特点，依托历史知识库沉淀，构建了一套深度融合AI的研发工作流，全面提升研发效率。

全文约6042字，预计阅读时间15分钟

背景

• AI研发工具层出不穷，行业普遍在探索AI驱动的提效路径。
• 团队虽有完善的内部规范文档，但尚未有效融入开发流程。
• Code Review、自测、接口文档维护等环节耗时较多。

目标

1. 拥抱AI时代，推动团队技术升级。

2. 通过AI赋能研发流程，提升整体效率。

思路

1. 拆解研发流程，识别AI可介入的关键节点并串联成链。
2. 深入探索AI IDE的最佳实践。
3. 充分利用团队知识库，增强AI辅助能力。

定位

1. 作为起点，推动团队研发流程向AI化转型。
2. 带动团队成员共同审视现有流程，共建更多AI加持的工作流。

研发链路

通过对研发流程的拆解，明确各阶段AI工作流的应用形态，并逐步推进演进。

当前团队处于第一阶段收尾、第二阶段初步探索阶段。以下为具体实践分享。

原有研发流程：

AI加持后的研发流程：

AI 工作流说明

AI-Cafes： 自动生成需求文档与产品原型图，减少产品人力投入。

AI-Docs： 将需求文档自动转化为技术文档，降低研发梳理成本。

AI-DocsCoding： 基于技术文档生成基础代码（无业务逻辑），提升编码效率。

AI-Coding： 结合团队编码规范生成代码，减少返工，提高一致性。

AI-API： 通过MCP Server打通接口文档，确保文档实时同步，避免滞后。

AI-CR： 基于规则进行AI代码审查，释放人工精力聚焦关键问题。

AI-Develops： 在测试、验证、监控环节引入AI，提升运维效率。

需求阶段

AI-CafeDocs

传统模式下，需求评审后需投入至少0.5人天完成技术文档和API准备，此类工作具有重复性、可替代性、可节省性。

我们构建了“需求文档 → aisuda（百度低代码平台）→ 大模型 → 技术文档（Markdown）”的工作流。

微调模型后，仅需两步即可完成：

1. 输入需求文档，生成初版技术文档。
2. 人工校验并调整细节。

后续由前后端协作完善实现逻辑。

AI-DocsCoding

在获得技术文档后，进一步延伸至代码生成环节。CRUD类基础代码属于重复性、可替代性、可节省性任务。

我们实现“技术文档 → MCP Server → AI IDE”的自动化流程。

MCP打通内部知识库，使AI能读取上下文并辅助开发。

当前AI生成代码尚不能完全替代复杂业务逻辑，因此采用如下分工：

1. AI生成非业务逻辑的基础代码（参数处理、数据操作等）。
2. 人工补充核心业务逻辑。

人的角色从执行者转变为驱动者或观察者，通过提出需求、监督过程、验收结果的方式管理AI产出。

开发阶段

AI-Coding

AI-Coding围绕AI IDE展开，如Cursor、Comate、Trae等工具。尽管底层模型重要，但在实际使用中，更关键的是如何有效利用Rule机制控制AI行为。

目前AI仍需人工参与审查，合理使用Rule是提升提效效果的核心。

Rule机制详解

定义： Rule是连接开发者意图与AI生成行为的关键桥梁，用于指导AI理解项目上下文、遵循编码规范、生成预期代码。

作用： 解决大模型缺乏持久记忆的问题，通过在Prompt中注入上下文信息，提供稳定一致的生成指导。

由于Rule会占用上下文Token，建议按层级划分管理：

• IDE全局层（User Rules）： 所有项目通用，包含个人编码偏好，限制50行以内。
• 项目基础层（Always Rules）： 项目级强制规范，位于.xx/rules/always/，涵盖技术栈与核心原则，限100行内。
• 自动匹配层（Auto Rules）： 针对特定文件或目录，位于.xx/rules/auto/，描述模块专用规范，单规则≤200行。
• 智能推荐层（Agent Rules）： 位于.xx/rules/agent/，AI根据对话智能调用，用于最佳实践建议，单规则≤150行。
• 手动调用层（Manual Rules）： 位于.xx/rules/manual/，用于完整模板引用，单规则≤300行。

Rule创建原则

内容优化：

• 避免：详细代码示例（>100行）、重复概念解释。
• 推荐：简洁要点列表（20–30行）、具体操作指令。

globs精确匹配：

• 避免宽泛匹配："**/*.go"（所有Go文件）。
• 推荐精准匹配：
  • "internal/handler/**/*.go"（仅处理器）
  • "internal/repository/**/*.go"（仅仓储层）
  • "**/*_test.go"（仅测试文件）

优先级设置

优先级	规则类型	应用场景	Token占用权重	冲突处理
priority: 10	Always规则	项目基础规范	最高，始终加载	覆盖所有低优先级
priority: 8-9	Auto规则（核心）	核心业务模块	高，匹配时加载	覆盖priority≤7
priority: 6-7	Auto规则（辅助）	辅助功能模块	中，匹配时加载	覆盖priority≤5
priority: 5	Agent规则	智能优化建议	中，相关时加载	覆盖priority≤4
priority: 3-4	Manual规则	模板参考	低，调用时加载	被高优先级覆盖
priority: 1-2	实验性规则	测试功能	最低	被所有规则覆盖

优先级使用策略

1. 基础规范设为10： 项目必须遵守的核心规范。
2. 核心模块设为8–9： handler、service、repository等主模块。
3. 辅助模块设为6–7： middleware、config、utils等。
4. 优化建议设为5： 性能优化、最佳实践提示。
5. 模板参考设为3–4： 脚手架或代码模板。
6. 实验功能设为1–2： 新规则测试，避免影响稳定功能。

冲突解决机制

• 高优先级规则覆盖低优先级冲突部分。
• 相同优先级按文件名字母顺序加载。
• Always规则始终优先于其他类型。

Rule的核心价值在于精细化控制AI在代码理解、生成、重构中的行为，使其从通用助手进化为深度理解项目的“领域专家”。

记忆库（Memory Bank）

结合Rule机制，构建专属业务研发助手。

在复杂项目中，AI常因无法感知历史上下文而表现不佳。引入记忆库后，每次迭代的上下文被记录，确保AI重新进入开发时不会丢失状态。

记忆库本质是Rules的一种应用形式，将上下文提示词存于指定位置，强制AI读取以恢复开发状态，有效缓解上下文丢失问题。

区别于IDE私有长期记忆，记忆库是公共项目级共享资源。

MCP Server（重点）

MCP（Model Context Protocol） 是Anthropic于2024年11月提出的协议，旨在统一LLM与外部数据源、工具和服务的交互方式，标准化AI与真实世界的连接。

before MCP	with MCP

MCP架构三要素：

• Host主机： 用户与AI交互环境（如Claude Desktop、Cursor）。
• Client客户端： 连接LLM与MCP Server，传递指令与结果。
• Server服务器： 提供轻量级服务节点，赋予AI访问资源与调用工具的能力，为核心组件。

开发中可接入多种MCP Server：

• 实时搜索：百度、Google、GitHub、微博等。
• 存储系统：MySQL、Redis等。
• 工具命令：kubectl、yapi等。

典型用法

用法一：集成搜索引擎

• 查询“夜的命名术是否完结”。
• 搜索Go 1.24新特性并让AI总结。
• 查找Linux快捷命令。

无需切换浏览器，节省搜索、整理、返回的时间。

用法二：自然语言操作数据库

Redis自然语言查询

MySQL自然语言查询

GCP自然语言查询

集成多Client显著提升开发效率。

关键点：

1. 接入MCP Server无需手动配置，只需提供链接，AI可自行完成接入。
2. 禁止在开发环境中使用线上账号密码。

AI-API

接口文档维护一直是前后端协作的痛点：前端抱怨文档不一致，后端认为更新耗时。

随着版本迭代，文档易脱离代码，交接不清导致项目难以接手。

核心痛点：

• 重复劳动： 每次接口变更都需手动同步文档。
• 低效沟通： 接口约定后再开发属于重复性、可替代性、可节省性工作。

通过搭建API MCP Server，实现自动化流转：

后端完成编码 → AI推送文档 → 文档自动更新 → AI拉取 → 前端生成代码

研发人员只需专注业务实现，无需处理繁琐对接。

Better Thinking

1. 学会递归使用AI

例如部署MCP Server：

• 传统方式：查找 → 配置 → 调试 → 使用。
• 递归方式：
  • 提供链接，让AI自动安装。
  • 让AI修改mcp.json配置。
  • 让AI调试通联。
  • 甚至让AI主动搜索可用Server。

2. 把AI当作真正工具

面对“录屏转GIF”这类小需求，传统方式麻烦且耗神。通过AI编写脚本，一键转换，极大简化流程。

对于任何“能做但费劲”的场景，都应思考：Can AI Do It?

常见适用场景包括：捞数据、写文档、查Bug等杂务。

集成阶段

AI-CR

问题：

• 时间压力： 每周数十个CR，审查耗时。
• 沟通低效： 评论模糊，需反复确认。
• 重复劳动： 相似改动重复审查。

引入AI提前识别基础问题，使人能聚焦关键逻辑，提升审查效率。

解决方案：AI预审 + 人工复核

运维阶段

AI-Develops

随着系统复杂度上升，告警数量激增，传统人工响应难以应对。

现存问题：

• 方向壁垒：跨方向告警只能路由。
• 经验壁垒：新人与资深成员处理效率差异大。

多数告警处理流程具有方法论，属于重复性、可替代性、可节省性工作。

我们构建智能化应急诊断系统，利用AI提升MTTR（平均故障修复时间）。

AI自动捕获告警并分析，仅在无法解决时交由人工。

优势： 所有历史Case与文档沉淀为AI知识库，存量问题由AI拦截，仅新增Case需人工介入。相当于团队拥有一位永不离职、持续学习的AI运维专家。

总结

以上为百度国际化广告团队在AI提效方面的实践。希望通过此分享，启发更多团队审视现有流程，共建AI赋能的研发工作流。

AI的本质是助手。只要工作中存在重复性、可替代性、可节省性任务，就值得尝试交由AI处理。