---
source: https://mp.weixin.qq.com/s/l5qeFWtXtaStweOqLP7RKA
title: "AI Coding 下半场：小米零售研发团队的三层工程实践"
author: 小米零售研发团队
source_account: MiMo
created: 2026-07-02
fetched: 2026-07-02
---

借助 AI，每个研发个体都变快了，但组织并没有变快。编码效率被大幅拉升，但需求转述的损耗、决策回流的延迟、上下文在终端间的散落，反而成了更明显的阻碍。本文由小米零售研发团队分享三层工程实践——统一工作流、知识沉淀、协作透明。

## 01 统一工作流：VAF（Vibe Agentic Flow）

自由探索期个体差异急剧拉大：一部分人熟练使用 AI 工具，另一部分人反复尝试后回归手写。少数人的突破不等于团队整体的提升。

VAF 的设计出发点：不会写提示词，就把提示词写好；不会编排流程，就把流程排好。用户只需执行一个 Markdown 文件 vaf_starter，它会渲染出菜单。用户唯一要做的就是跟着菜单走，在每个放行点做决策。

VAF 1.x 只支持单服务流程。2.x 引入"汇聚协调"模式：需求采集、PRD 标准化、服务拆解等前置阶段各服务共享 → 分发后各服务在自己的仓库推进 → 拉通评审、集成测试等关键节点汇合。

流程覆盖后端（需求→PRD→拆解→技术方案→开发→CR→部署）、前端、测试三套流程，共享同一套状态机设计。

VAF 推广后不熟悉 AI 的同学首次拥有了"闭眼也能跑下来"的流程。但后续发现：AI 不理解具体业务，产出偏差大。由此推动第二轮演进——构建 VKF。

## 02 代码知识库：VKF（Vibe Knowledge Flow）

### VKF 1.0 的教训：一次正面的失败

最初设想是从代码中提取业务知识沉淀为 Markdown 文档。但试下来存在层层翻译的精度损失：
- 第一层：代码→文档时逻辑被压缩、改写
- 第二层：文档→任务时 AI 不会回代码验证
- 第三层：自然语言知识错误更隐蔽

**核心结论**：知识库不能替代码做二次表达。真正可靠的方式是帮助 AI 更快、更准地找到真实代码里的入口、链路和关键位置。

### VKF 2.0：知识索引而非代码解释

重新定位：VKF 不是给 AI 塞代码，而是给 AI 一个代码的知识目录和索引。

Pipeline：
1. **结构化扫描**：从入口/控制器/领域服务等关键位置出发，反向推导架构骨架。明确放弃"全量遍历"
2. **专家边界解释**：由最懂业务的同学做领域划分纠偏（30分钟-1小时）
3. **领域聚合**：一个知识库对应一个业务领域，跨服务依赖显性化

### 知识的信息化

最大体感：知识库建设的最大阻力在知识本身的信息化程度。隐性知识不先完成信息化，任何知识库都是沙上建塔。推动产品团队输出 AI 友好的 PRD（Markdown + Mermaid），让知识在产生时就是结构化的。

## 03 协作工作台：eight-claw

### 问题：每个人在用 AI，但团队视角一片空白

产品在飞书群里讨论需求，研发把需求 copy 到自己的 AI 终端，和 AI 来回七八轮敲定方案，再把结论发回群。团队看到的只是一个被压缩过的结论。

### 核心抽象：话题是并行推进的最小治理单元

eight-claw 是搭在飞书里的 AI 协作机器人。关键设计：以飞书话题（thread）为最小并行单元。每个话题拥有自己的上下文、参与者、决策边界和执行状态。

四类入口：私聊（串行轻量）、工作台群（个人需求总控）、需求协同群（话题并行）、本地 Dashboard（可视化控制面）。

### 技术内核：文件系统即状态机

不造新的 runtime，不造新的 orchestrator。核心任务状态与过程产物全部以文件形式持久化。每次状态转移写入 Event，可查、可审计、可回放。

### 多引擎统一抽象

底层接入 Codex CLI、Claude Code、OpenCode 三种引擎。不自己写统一 Agent Runtime 的理由：AI CLI 和基座模型迭代快，自建 Runtime 会很快过时。专注在企业场景中最稀缺的部分——调度、状态机、审批、观测、治理。

## 四条设计原则

1. **降低门槛，而非提升上限**：决定团队整体能力的是 80% 的大多数
2. **代码索引对 AI 理解大规模代码库极为重要**：需要前置构建代码索引
3. **并行比串行重要，过程比结果重要**：AI 必须走到团队已在使用的协作空间里
4. **工具链会迭代，知识和协同才是沉淀**：不会因模型换代而失效

## 下一步方向

- 知识层：结构化索引 → 语义检索与跨团队知识联邦
- 协同层：Task-Driven → Goal-Driven，用户设定目标，AI 在约束下自主推进