从 Vibe Coding 到 AI 原生研发团队：一套能落地的工程实践

AI 写代码已经变得前所未有的简单。从 GPT 到 Claude，从 Copilot 到各类 AI 编程工具，代码编写的门槛正在快速降低。然而，当我们把视角从「个人提效」切换到「团队作战」时，问题就变得复杂了：如何在团队中系统性地应用 AI 编程能力？如何让 AI 真正赋能整个研发团队，而不是只服务少数技术背景深厚的开发者？本文将分享我们在打造 AI 原生研发团队过程中的实战经验，探讨如何从轻量级的 Vibe Coding 出发，构建一套可持续的企业级研发体系。

概述

所谓「AI 原生研发」，核心在于重新定义人与 AI 的协作边界。在传统的开发模式中，从需求提出到代码实现，每个环节都需要专业开发者的深度参与。而在 AI 原生研发模式下，项目的所有组件和能力——包括页面功能、定时任务、智能体、开放 API、外部接口对接等——都可以由 AI 统一维护。使用者只需要描述需求，简单需求通过对话直接完成，复杂需求则先整理成文档，经研发流程对齐后再进行开发。这种模式的价值在于：打破职能边界，让不懂代码的产品和运营同事也能参与建设，真正实现团队能力的跃迁。

从概念到落地

Vibe Coding 的最大局限在于：它适合编写「一次性」的工具，但难以支撑「可持续迭代的系统」。每个非技术背景的同事都在调用各自的后端接口，数据口径不统一，信息孤岛遍布。当运营同事真正想做一套能持续使用的系统时，面临的第一个挑战就是基础设施的缺失：日志、鉴权、权限控制、接口封装、数据库变更流程、定时任务等，都需要专业开发者预先搭建。这正是构建 AI 原生研发体系的关键所在：先搭好企业级底座，再让 AI 在上面持续开发。通用底层能力包括日志统一管理、RBAC 权限模型、页面访问审计、开放 API 机制、MCP 工具封装、定时任务调度等，这些能力需要沉淀为标准设施，新项目直接继承，避免重复造轮子。

总结与展望

如果说通用底层能力解决的是「有什么」的问题，那么 Harness 工程实践解决的就是「怎么用」的问题。Harness，本质上是为 AI 编程行为搭建护栏，确保输出质量的底线。我们在实践中总结了多个关键工程实践： **大仓组织与分层架构**：采用 monorepo 形式，后端遵循严格的分层约定（API 层 → 业务层 → 数据层 → 外部接口），禁止反向依赖。这种结构不仅便于 AI 理解代码上下文，也让人类开发者能够快速定位和审查代码。 **Rules 与 Skills 双轨制**：Rules 负责设定底线规范（文件红线、分层规范、代码风格等），Skills 则预装专业技能包（Agent 创建、工作流编排、Changelog 发布等）。两者结合，确保 AI 既不犯错又高效。 **极简文档驱动开发（SDD）**：需求文档就是开发的唯一输入。通过简单的文件命名约定（draft_ → ready_ → done/）实现文档状态流转，AI 一次会话读完文档就拥有完整的需求上下文。 **CLI 工具封装**：高频运营操作封装为安全、留痕、可重复的命令，如数据库变更执行工具

AI 原生 Agent 开发

传统 Agent 开发模式是在管理后台手动配置：填表单、注册工具、设置参数。每次新增 Agent 都需要在多个系统间来回操作，维护成本高，迭代速度慢。而 AI 原生的 Agent 开发方式完全不同：我们只需要给 AI 一个业务目标，比如「一个能分析专线质量的 Agent」，AI 会端到端完成全部工作——探索代码仓库理解现有能力、编写系统提示词、封装工具函数、注册到框架、补充验证文档。整个过程不需要去任何外部系统手动配置，所有产物都在代码仓库里，可追踪、可审查、可回滚。这种「代码即配置」的理念，让 AI 在充满能力的生态中「搭积木」，而不是从白纸上重新开始。

如有侵权，请联系删除。