当前 AI Coding 工具在复杂系统中面临“结构不可控、上下文幻觉、资产难维护”的落地困境，代码采用率往往不足 10%。本演讲我将分享 Toco AI 探索的 “建模驱动开发 (MDD) + LLM” 新范式，深入剖析如何构建 “AI 架构师 (Agent) + 确定性引擎 (Engine)” 的双核架构：通过 DSL 定义领域模型与读写方案，利用 LLM 进行意图理解与胶水代码生成，再由引擎自动渲染 80% 的 DDD/CQRS 结构化代码，内容涵盖解决 “模型与代码一致性”、“非侵入式 DSL 设计” 及 “存量系统渐进式重构” 的技术细节与踩坑经验。

演讲提纲

1. 痛点：为什么 Chat-to-Code 在复杂系统中失效？

• 现象： “Vibe Coding” 的繁荣与企业级落地的“ 10% 采用率”悖论
• 根因分析：
  • 熵增效应： 概率性生成导致代码同义异表（Same Intent, Different Code），维护成本指数级上升
  • 信任危机： 上下文窗口限制导致的“结构性幻觉”（引用不存在的类/循环依赖）
• 结论： 在 AGI 到来前，必须引入“中间层”（DSL）来锁定确定性

2. 新范式：构建“神经符号”双核架构

• 核心设计： Agent (右脑/概率) + Engine (左脑/确定性)
• Agent 职责： 意图理解、模糊匹配、非结构化胶水代码生成
• Engine 职责： 拓扑计算、架构约束、DDD/CQRS 骨架渲染
• 工作流解密：Input: 自然语言需求 -> Output: 中间态 DSL -> Action: 静态语法校验 -> Result: 渲染标准 Spring 代码

3. 关键技术实践与 DSL 边界

• 技术点 1：DSL 的“克制”哲学
  • 挑战： 如何避免重蹈 UML 覆辙（变得极其复杂且难用）
  • 方案： 坚决不侵入 if/else。DSL 仅描述实体 (Entity)、聚合 (Aggregate) 和读写契约 (Contract)
• 技术点 2：解决“N+1”与复杂查询的读写建模
  • 方案： 引入 CQRS（读写分离） 策略
  • Write Model： 基于聚合根的事务一致性保障
  • Read Model： 基于 Toco-DTO 的自动组装器（Auto-Assembler）实现，解决跨表 JOIN 与脱敏
• 技术点 3：从模型到代码的渲染机制 (M2C Engine)
  • 如何通过 AST 操作生成人类可读、可 Debug 的原生 Java 代码，而非二进制黑盒

4. 踩坑经验与反直觉教训 

• 坑 1：Brownfield（存量系统）的阻抗失配
  • 问题： 在“屎山”代码上强行叠加 MDD 模式遭遇失败
  •  认知迭代： 承认技术的适用边界。该模式最适合 Greenfield（新模块/重构）。对于老系统，采用“双模开发” + “防腐层（ACL）”策略
• 坑 2：AI 并非全自动驾驶
  • 问题： 试图让 AI 全自动设计架构，结果出现不合理的聚合边界
  • 认知迭代： 强调 Human-in-the-loop。人必须作为“架构审核员”介入 DSL 的确认环节
• 坑 3：All-in Prompt 的失败
  • 教训： 无论 Prompt 多精妙，无法解决长链路依赖。必须用 Engine 兜底结构正确性

5. 实施效果与总结

• 数据支撑： 某电商场景重构，Code Review 耗时下降 70%，架构类 Bug 归零
• 终局思考： AI 时代，Code 是过程，Model 才是资产

您认为，这样的技术在实践过程中有哪些痛点？

• 该方案对新建系统，新建模块，重构项目(Greenfield Projects)适合，对于在老系统(Brownfield Projects)上直接叠加逻辑并不适合建模驱动的开发模式. 需要一定的试用土壤，但长远来说，如果能成为行业标准，那么更容易成为大量系统重构的构建技术
• 在当前大模型基础上，无法让AI在所有场景都是按最佳实践去试用引擎，还是需要人进行积极干预

演讲亮点

• 把“架构规范”固化在工具里，彻底解决架构、代码随意发挥的问题。现有 AI 工具生成的代码风格完全取决于 Prompt 写得好坏和AI发挥，导致架构、代码风格严重发散，难以治理。我们通过内置引擎，统一了架构和结构性代码。避免了AI的发散导致的不易控制、不易维护的问题
• 解决 AI 代码“只管生、不管养”的维护难题 现有方案生成的代码往往是“一次性”的，后续需求变更时，AI 很难在庞大的旧代码堆里精准修改。我们采用模型驱动，改需求本质上是在改模型，引擎会自动重新计算并同步更新所有相关代码。这让系统具备了长期演进的能力，而不是随着时间推移变成一堆不敢动的“黑盒代码”

听众收益

• 了解一种解决 AI 编程“不可控”问题的架构实战模式（Agent + 引擎） 听众将看到我们是如何通过“中间层建模”和“双核驱动”的设计，让 LLM 负责理解意图，让规则引擎负责生成结构，从而解决 AI 写复杂系统时容易出现的“幻觉”和“逻辑不自洽”难题。这是一套可复用的架构设计参考
• 获得一套在 AI 代码爆发下，保障系统可维护性的工程治理策略 当 AI 能瞬间生成几千行代码时，传统的 Code Review 模式已经失效。听众将收获如何通过“模型管理”替代“代码管理”，确保团队无论产出多少代码，架构标准始终统一，避免系统沦为难以维护的“各种风格的大杂烩”