用Agent评测思路管理AI Coding——31万行代码AI重构实践

核心结论

当 90% 以上代码由 AI 生成，决定系统走向的不是谁写得更快，而是谁能更好地约束 AI。没有统一规范的约束，AI 只会成倍放大混乱。

三大关键经验

1. 人人对齐先于人机对齐

管理 AI Coding 与评测 Agent 的底层逻辑一模一样：

顺序至关重要：很多团队以为配置好 AI Rule 就完事了，但真正的瓶颈在人，不在工具。

2. 经验的价值正在转移

3. 重构可以零排期

第三条路：把技术债拆解为业务需求的”顺带动作”，借着迭代渐进式消化。

关键能力：拆解精度——哪些业务需求能”顺带”消化哪些技术债，需要逐个判断。

行动指南

  1. 盘清技术债：核心开发圈定高危方向，AI 做穷举扫描
  2. 制定规范并落地为 AI Rule：规范不落地到工具链里，就只是一纸空文
  3. 主 R 打样，沉淀 SOP：可复用的迁移流程，推广到全组
  4. 建立 Pre-PR 机制：AI 预审过滤基础问题，让人聚焦业务语义

工程分层四步法

重构前”按需求建包” → 重构后四层架构（Starter / Application / Infrastructure / Common）

三步推进：

  1. 补齐业务对象与数据转换层
  2. 重建接口契约，阻断底层数据对象向上泄露
  3. 修复上游全链路参数依赖

AI 辅助测试 SOP

Human-in-the-loop 模式：人界定范围和风险，AI 做脏活

步骤 目标 人的价值
Step1 建立范围 确定测哪些接口 审核并确认测试范围
Step2 风险分级 决定测多深 判断风险等级
Step3 设计分组 最小化用例 补充业务特殊场景
Step4 生成步骤 写出可执行步骤 校验边界条件
Step5 验证覆盖 确保不漏不多 最终确认

CR 效率提升

共识：人工 CR 的价值从”你写得对吗？”转变为”我们是否在正确的约束下解决正确的问题？”

实践：

标签

#主题/AI Coding #手法/对比冲突 #手法/权威背书 #场景/技术博客

相关链接