AI写代码总差一口气？企业微信这套工程规范让它从玩具变工具

编译不过、改错文件、漏了边界、越界修改，让它按 PRD 改个按钮，它能把不相干的逻辑一起动。你问做完没，它说完成了，一看连构建都没跑通。

我的判断是：这不是模型不够聪明，是 AI 会写代码，但不会像工程师一样开发需求。

下文是对 腾讯工程技术公众号文章的总结。

----

企业微信团队最近公开了一套实践：把需求开发拆成 8 个阶段、4 条公理、30 多条红线，代码生成率做到 94%。今天我把它拆开来，跟你聊聊 AI 怎么从玩具变成工具。

AI 卡在哪些地方

把 AI 丢进真实项目，它会碰上六道墙：

• 上下文塞不下：几千个源文件、跨五六层调用，一轮对话根本喂不进去；
• 物料太分散：PRD、设计稿、协议、接口文档各在一个系统里；
• 命名对不上：产品说邮件入口红点，代码里叫 XYZTipsView；
• 指令太模糊：一句「按 PRD 改一下』，AI 跳过分析就开始改代码；
• 验证不闭环：AI 说做完了，编译都没过；
• 跨会话失忆：上次的设计决策，下次全忘。

人能干活，靠的不是记住所有代码，而是知道这个项目怎么组织、该从哪儿下手、做完怎么验证。这些隐性知识，AI 没有。

AI的六道墙

2 把需求开发流程化

企业微信的做法不是换模型，而是把需求开发拆成流水线。

每个阶段输入清晰、产出明确、退出标准可以机器校验：

这条线只回答一个问题：怎么让没参与过原始实现的 AI，像一个老同事那样把活干完。

3 公理一：每一步都在缩小范围

大模型不是搜索引擎，把整个项目 find . 丢给它，它会淹死。

企业微信的做法是把「在 9000+ 文件里找改动点」拆成 5 个漏斗步骤：

1. 先消歧意图；
2. 再锁定模块；
3. 然后用 rg 脚本搜索，不进 LLM；
4. 只读单个文件相关片段；
5. 最后确认改动点和理由。

几步下来，模型从来不会被整个代码库淹死。前几步只看目录和文件名，真正读代码是最后一步的事。

当然，这个漏斗有个前提：项目得有一张 AI 看得懂的地图。

4 给 AI 一张项目地图

企业微信建了一套三级金字塔知识库：

• L1 总览 overview.md：模块名 + 一句话职责，控制在 5KB 以内，每次定位默认加载；
• L2 模块 <module>.md：每个文件一行职责，按需加载；
• L3 语义桥 figma_token_mapping.md：把设计 Token 翻译成工程 API。

这套知识库对人类新人同样有用。以前新同学入职要找老人聊一上午才能上手，现在读几份 wiki，半天就能改 bug。AI 友好和新人友好，在这里是同一件事。

更关键的是，他们用 check_project_wiki_stale.py 做漂移检测。文件改了，wiki 没更新，pre-commithook 会把你拦下来。地图不会过时。

三级知识库金字塔

5 公理二：判断给 LLM，数据给脚本

LLM 有两件事不擅长：精确数值和幂等执行。Skill 规定，批量操作、精确数值、长跑命令全部下沉到脚本，LLM 只读结果做决策。

例如 Figma 一个文件里有几十上百个画板，让 LLM 凭「看起来像移动端」去挑，结果随机得很。正确做法是先跑 scan_figma_frames.py 出直方图，LLM 只在已分桶基础上补判不确定项。

编译验证也一样：成功不是看 stdout，而是看退出码是不是 0；commit 成功不是看终端输出，而是看 git log -1 hash 有没有更新。

任何长跑命令的成功证据，都必须是落盘文件。

6 公理三：红线机制，把翻车前置成硬关卡

LLM 最大的工程风险，是什么都敢说，什么都敢做。

Skill 设了 30 多条红线，触发即停，按固定模板汇报：

• RL-15 编译必须通过：退出码 0 是唯一判据，自修复最多 3 轮；
• RL-16 必须按阶段执行：用户一句话指令不能让 AI 跳过拆解直接改代码；
• RL-13/14 先看后写：不能 AI 自己发明新模式；
• RL-31commit 同步执行：必须以 git log -1 hash 更新为成功判据。

红线把「AI 偷偷做了不该做的事」，变成「AI 主动告诉你它撞上红线了」。

7 公理四：跨会话知识传承

一次会话跑通不够，真正的价值是 AI 能像团队成员一样接力。

三件套：

• TECH_SPEC.md：永久记录功能边界、模块地图、不变式、演进历史；
• subtasks.json：跨会话的子任务状态台账；
• timeline.txt：会话内的事件流水。

新会话的 AI 按 §0 → §1 → §3 → §5 → §7 的顺序读完，就能无缝接力。

这带来的隐性收益最大：新人和 AI 都能直接接手已有需求，不再需要「问原作者」。

从翻译到决策

8 94% 代码生成率意味着什么

这个数字不是 AI 写了 94% 的代码，而是在完整需求开发流程里，AI 能独立完成 94% 的步骤，不需要人工介入。

开发者从「PRD 翻译机」变成「AI 的产品经理」，只在硬关卡处做决策。

这才是 AI 辅助编码真正的提效点。

9 总结

AI 写代码总差一口气，不是模型不够聪明，而是缺一套工程规范这个操作系统。

8 个阶段、4 条公理、30+ 条红线，本质上是把工程师脑子里「怎么开发需求」的隐性知识，变成 AI 能执行的显式规则。

当这件事被规则化、可执行化、有产物可校验后，AI 才真正从玩具变成工具。

如果你也在团队里推 AI 辅助编码，别指望一步到位。先从一条红线、一份模块 wiki、一个落盘的验证标准开始，跑起来了再说。