大模型与 Coding Agent 让“生成代码”变得容易，但在真实研发流程中，企业遇到的核心矛盾已经从“能不能写”转向“能不能稳定交付、能不能容易落地”：需求理解与实现经常漂移，AI 产出缺少一致性约束，质量与回归验证成本被放大；同时如果“人 / Agent”无法在同一迭代内顺畅切换（交接成本高、上下文补齐不成体系），AI 往往只能停留在局部试点，难以规模化复制。

与此同时，AI 工具与平台迭代速度极快，很多自研流程或能力很快会被更成熟方案替代。真正长期有效、且形成组织差异化竞争力的，是部门级研发资产：规范、契约、知识、门禁、测试证据、历史经验的结构化沉淀和项目级基座。

本次分享聚焦：我们如何将 AI 从“个人效率工具”升级为“可复制的工程能力”——以 PRD→上线 SOP 为骨架，以工程资产化为底座，用“Work Item 最小交接包 + 单一事实源 + 门禁化流程”让人/Agent 可自由接力；并在小范围探索 DeepWiki 类的 Doc↔Code 双向联动与 git diff 驱动测试验证，让 AI 的价值可承接、可验证、可演进。

演讲提纲

1. 从 Vibe 到交付：为什么“模型更强”依然不够
   • AI Coding 的三类交付性问题：发散、漂移、不可验证
   • 企业级落地的目标：可承接 / 可回滚 / 可度量 / 可规模化
   • 真正卡点不是“会不会写”，而是“能不能接得住 + 换得动”（人/Agent 自由切换）
2. PRD→上线 SOP：让 AI 进入“确定性交付”链路
   • PRD 自然语言如何转化为可版本化的 Spec/契约输入
   • 接口与约束前置：单一事实源（契约、口径、权限、验收点）
   • 研发阶段：AI 参与边界与门禁化协作（模板/规范/结构化 PR）
   • Review 与测试：从“看实现”到“核对契约 + 验证证据”
   • 上线与治理：线上信号回收 → 反哺规范/测试/资产库
   • Hybrid Execution Protocol（混合执行协议）：同一迭代内按 Work Item 粒度“人/Agent 自由切换”
   • 缺口门禁：Agent 先自检缺口→问题清单→补齐→再 plan→code→verify
3. 工程资产：让 AI 稳定输出的“护城河”
   • 项目级资产：Spec、接口契约、验收清单、埋点/稳定标识、回归策略
   • 团队级资产：组件/模板、规范、风险模式库、测试资产
   • 部门级资产：质量门禁、评测口径、历史缺陷与影响面知识
   • 工具会快速迭代，资产决定长期复利
   • Repo OnBoarding（存量冷启动）：一次性生成 MVP 项目基座 + 后续“文档自然长出来”的增量机制
4. Doc 与 Code 双向联动：从“文档同步”到“工程事实回流”
   • 基于 DeepWiki / deepwiki-open 的代码库语义化入口
   • 需求→代码：从 Spec 定位实现与风险点
   • 代码→文档：从接口/测试/变更生成“证据摘要”，降低漂移与知识断层
5. git diff 驱动测试验证（试点）：变更触发的验证闭环
   • diff → 结构化变更信号（接口/schema/权限/关键模块/SQL 等）
   • 影响面映射 → 回归集推荐（必须跑/建议跑/可跳过）
   • 验证证据产出：把“回归选择与结果”沉淀为可追溯资产
   • 目标：把“靠经验选回归”升级为“可解释、可复算”的变更验证
6. 未来一年：标准化、闭环化、基座化
   • 资产标准化：面向新人/实习生/全栈初尝者的上手路径（模板、清单、示例库、门禁）
   • Doc↔Code 闭环跑通：需求变更与工程事实的双向回流
   • 部门级资产基座化：以资产驱动的 AI 全栈 Advisor（建议/风险/验证路径）

这样的技术在实践过程中有哪些痛点？

1. PRD→Spec 的图片信息不稳定：当关键交互依赖截图/大图表达时，模型对状态/边界/异常分支抽取容易偏差，导致 spec 口径漂移；需要通过“关键交互文本化/状态机化/验收清单化”补齐。
2. Repo 深度扫描的安全 vs 准确率两难：DeepWiki 类全量扫描在企业环境存在权限/数据出域等安全顾虑；deepwiki-open 等本地化方案在复杂仓库上准确率不足，短期难成为唯一事实入口，只能先走“迭代归档 + 基座增量生长”的渐进路线。
3. Token 成本：复杂任务天然 token 大、优质模型单价高。 当进入“多轮补齐 + 结构化 Review/归档”这类重推理场景时，即使流程做得很规范，token 消耗仍会显著上升，带来直接费用压力。

演讲亮点

1. Hybrid Execution：人 / Agent 自由切换：同一迭代按 Work Item 最小交接包推进，任何时刻都能把任务从人切给 Agent、或从 Agent 切回人而不中断。
2. /implement 内置“缺口门禁”：不是人判断上下文够不够，而是 Agent 先做缺口扫描并输出问题清单；补齐到阀值后才进入 plan → code → verify。
3. 补齐后自动回写，治理漂移：人补充信息后，Agent 自动判断是否需要同步更新 design / spec / 项目基座，用“回写”锁住一致性。
4. Repo OnBoarding：老项目冷启动：先用初始化 Skills 扫目录/入口/依赖/公共模块/历史坑位，产出 项目级 MVP 基座文档；后续迭代增量回写，文档自然生长。
5. 单一事实源：四类资产把输入面写死：spec（语义基线）+ design（Work Item/验收）+ 基座（宪法/约束）+ OpenAPI（接口事实源），让 AI 写代码不靠“聊天记忆”。
6. 提测前 Review + 测试补充建议：Review 不止审代码：基于 diff + spec + 测试用例清单，输出技术问题清单 + 用例增量建议/必跑回归，降低漏测。
7. 上线后迭代归档 + 基座回写：上线稳定后用 diff 生成版本归档：改了什么、影响什么；并自动判断是否需要更新项目基座。

听众收益

1. 一套可复用的 PRD→上线 AI 交付 SOP（如何定义输入基准、过程约束、结果门禁）；
2. “工程资产驱动 AI”的方法论：哪些资产最关键、如何沉淀为组织能力；
3. Hybrid Execution：人 / Agent 自由切换的落地方法；
4. Doc↔Code 双向联动的落地思路：如何用 DeepWiki 类能力降低需求—实现漂移；
5. Repo OnBoarding：老项目冷启动与“文档自然生长”机制；
6. Doc↔Code + diff 驱动验证的闭环框架；
7. 面向未来一年的演进路线：从团队能力到部门级资产基座，再到 AI 全栈 Advisor。