天猫 AI 全栈交付实践：从个人工具到团队研发提效解决方案-珈文.pdf

《天猫 AI 全栈交付实践：从个人工具到团队研发提效解决方案-珈文.pdf》由会员分享，可在线阅读，更多相关《天猫 AI 全栈交付实践：从个人工具到团队研发提效解决方案-珈文.pdf（14页珍藏版）》请在三个皮匠报告上搜索。

1、2026.03.21阿 巴巴 全球总部 _访客中中国杭州 HANGZHOU CHINA天猫 AI 全栈交付实践 从个具到团队研发提效解决案珈（曹志强）淘天集团 技术专家 AI 具 个提效 组织提效程序员时间分布我们的 Brownfield近200 名开发程师 10+个业务域/16+作台 4 类发布平台/1000+存量 2025下半年 启动后端全栈试点 零前端基础 AI 独交付 编码 25%AI 把这做快了 理解需求 25%沟通协调 30%合计 75%纹丝不动 等待 20%瓶颈转移：上下缺失 协同摩擦 质量验证个具=个技能 X 具熟练度 团队案=解决案落地深度 X 团队规模微观视 把当下做到极致

2、 出码质量 调试验证 研发流程宏观视往范式转变延伸 云端全栈 异步委派 多Agent协同 我们建了什么，做到了什么在试点的业务线上达到了98%的AI代码采纳率户端 VsCode户端Web数据管理 配置后台我们建了整套 AI 研发具和体系 驱动：数据闭环 业务域隔离 模型零槛 建设，全员受益 知识运营 信号驱动知识沉淀主动发现隐形知识数据验证&差异化 报错信息出现 可能踩坑 多轮调试 5 轮 复杂问题 否定表达（不对改回来）AI 理解有误 同件多次编辑 反复修改 1 动捕获 128 条经验知识，pitfall 占 51%vs Cursor Memory/Claude 记忆：跟着个设备，是个助 我

3、们基于数据闭环拿到全部会话数据，是团队知识 A同学踩坑并解决系统动沉淀总结B同学遇到直接解决系统动沉淀总结知识运营 云端统管理下发能配置跟着仓库，不跟 报错信息出现 可能踩坑 多轮调试 5 轮 复杂问题 否定表达（不对改回来）AI 理解有误 同件多次编辑 反复修改 核问题：个业务域上百个仓库 让每在每个仓库动配置 AI 规则 不现实云端下发流程：Git Group/Repo 信息 系统动识别业务域 下发对应配置 下发内容（三个卡并排）：AGENTS.md 开发规范 mcp.json 具配置 团队 Skills 设计原则：打开项就能，零配置 处修改，全局效 动化 动，集中管理 分散维护 下发配置

4、流程业务配置后台数据度量从感觉有效到数据证明 三个陷阱：幸存者偏差：成功案例反复提起，失败统计 归因错误：做快了是 AI 还是需求本身简单？个体差异：3 100%+7 没变=平均 30%三杂度矩阵（核视觉，维矩阵图）：从真实业务中抽取 60 个历史需求 按两个维度映射到九个象限：开卷考试：结果分 75%：代码是否满需求（LLM as Judge）为分 25%：Agent 有没有查档、调知识库 不仅看答案对不对，还看有没有翻对书 碰巧正确 稳定正确 数据度量在线分析：定位具体哪条知识有问题链路漏：调率 命中率 采纳率 调率低 Agent 不知道要查资料，Prompt 引导有问题 命中率低 知识库

5、覆盖不，索引质量差 采纳率低 召回了但不好，召回精度有问题核洞察：知识被了但没有频低效=浪费 Token+可能误导模型阈值：动态中位数，随整体质量动调整 调率低 Agent 不知道要查资料，Prompt 引导有问题 命中率低 知识库覆盖不，索引质 采纳率低 召回了但不好，召回精度有问题优化效果：针对频低效知识逐优化 关联采纳率 18%35%调率低 Agent 不知道要查资料，Prompt 引导有问题 命中率低 知识库覆盖不，索引质 采纳率低 召回了但不好，召回精度有问题胶编程 物料驱动可控编码确定性的给脚本，不确定性的给模型 Agent 写代码背后有四个彼此独的决策答对任何个，不保证其他三个也

6、对。任务规格定义这次做什么，开发规范划定什么不能做，代码模式提供抄什么，领域知识标注有什么坑。四种失败模式互不重叠，每层物料恰好堵个，少层多种漏洞。与其优化 SPEC 让 AI 写得更好，不如直接给它好的东来抄。LLM 的底层能就是抄+改有参照物时表现显著优于没有时。SPEC 管意图（做什么），物料管执（怎么做），两者叠加才是完整的可控编码。90%抄，10%写，胶只在缝隙处。Harness AI 主诊断调试让 AI 直接看到现场，不是听转述传统链路：报错 看到(损失50%)复制字(损失30%)AI 基于字猜 理想链