王光景-客户端 AI Coding 实践：从 PRD 到代码直出.pdf

1、AI Coding 实践：PRD 到代码直出的探索王光景红书社交客户端负责录01AI Coding 发展史和现状02客户端 AI Coding 关键解法03典型业务场景与需求分析04总结和展望01AI Coding 发展史和现状AI模型的发展-2017 年 Google 提出Transformer 架构后，AI领域产命性突破，应场景不断拓展，逐渐渗透到各个领域。-2023 年开始，LLM 的最上下窗每年增 30 倍AI Coding 发展历程 Ref：https:/paradite.github.io/ai-coding/L1：类主导，Agent实时辅助：代码提示L2：类布置任务，Agent成

2、代码：单task 实现基于机协作的视，结合交互形态、介与主程度，可将 Code Agent 划分为 L1L5 五个阶段。L3：类设定范围，Agent 推进多环节流程：成案、代码L4：类输PRD，Agent 端到端交付：完成需求解析、架构设计、编码L5：定义标，多Agent分协作：Agent 系统模拟完整软件团队，通过多 Agent 分协作完成全流程开发需求到交付直出产品放演示视频/图（没有容量 放不进来）Lovable放演示视频/图（没有容量 放不进来）Bolt.new端到端“直出”型 AI coding 产品：然语直接产出可运、可访问的应，步完成需求到交付，但是只出现在前端需求到交付直出产品

3、（客户端领域）客户端领域的直出产品，但是很不幸暴雷了客户端 AI Coding 的困境-技术栈视前端客户端平台的标准化 vs 碎化1、标准化程度：HTML/CSS/JavaScript 是统标准2、框架相对集中：React/Vue/Angular 占据主流1、平台碎化：iOS 16 的 API 和 iOS 17 的新 API法不同 2、框架分散：SwiftUI、UIKit、Jetpack Compose、Flutter、React Native构建与调试复杂度构建具成熟，调试简单编译时间，真机调试必要开发模式差异即时反馈：热重载、实时预览1、命周期复杂2、依赖注和架构：MVVM、VIPER 等

4、模式多样UI 构建的抽象本质都是种声明式UI 为主UI 层 SwiftUI、UIKit 和 Jetpack Compose、Android View同时存在，声明式和命令式混合客户端 AI Coding 的困境-AI 模型视前端客户端训练数据数量和质量拥有规模、质量的公开训练数据。语使率：JS 62.3%，项数量：前端 27.5%，质量的训练数据要稀缺得多，量优质客户端代码在企业内部，未开源。语使率：Swift+Kotlin 15%。项数量：客户端 MVP-MVVM+LiveData-Jetpack Compose+State上下窗限制个完整的功能通常在个件内，调链浅实现同样的功能需要理解多个

5、件，调链深客户端 AI Coding 的困境前端开发就像是在个标准化的、开放的、乐式的环境中作，任务明确，材料（训练数据）充，常适合 AI 展拳脚。客户端开发则像是在个碎化的、半封闭的、需要与复杂系统深度交互的环境中进精密程，AI 在这个领域能提供帮助，但要做到像前端那样流畅和智能，还有很的路要。02客户端 AI Coding 关键解法模型快速迭代，如何避免“功”？客户端这么难，提效我们需要做什么？模型能边界是什么？能否直出交付？AI 如何更期的融企业迭代？落到真实场景的提效，如何切？需求评审交互评审技术评审技术案Coding联调&测视觉查缺陷修复回归发布客户端这么难，提效我们需要做什么？模型

6、快速迭代，如何避免“功”？落到真实场景的提效，如何切？AI 如何更期的融企业迭代？#1 科学评测体系#4 组件召回闭环迭代#2 需求 PRD 拆解#3 UI 还原度出码.02AI Coding 端侧关键解法#1 Mobile-swe-benchmark关键点：如何科学评测AI代码成效果SWE-bench(Software Engineering Benchmark)https:/ 是由普林斯顿学和芝加哥学于 2023 年推出的个规模软件程基准测试，通过从 12 个真实 Python 开源项中收集 2,294 个真实的 GitHub Issues 和对应的修复案，于评估型语模型解决实际软件问题的