一、大模型开发工具链
1、主力生产工具
| 工具 | 典型优势 | 核心定位 | 模型支持 | 最低付费 |
|---|---|---|---|---|
| Joycode | 免费使用：让所有开发者都能体验AI 编程原生AI 集成：提供更完整的智能开发体验跨平台支持：满足不同操作系统用户需求配置迁移便捷：支持从其他IDE 导入设置 | 京东 AI 编程 | 自研 / DeepSeek / GPT-4o多模型切换 | 公司内部free |
| Trae | 零成本、中文语义 92 %支持截图作为上下文输入生成HTML 页面后自动创建本地预览服务内置浏览器预览功能，支持直接选择元素进行调整 | 字节 AI 原生 IDE | 豆包 / DeepSeek / GPT-4o多模型切换 | 0 |
| Cursor | 跨文件智能编辑项目架构理解协调一致的修改自动依赖处理 | 自主式编程助手 | GPT-4o / Claude 3.7 / Gemini 2.5多模型切换 | $20/月 |
| Augment Code | 深度代码库理解全局上下文补全完整生态兼容 | 老代码专家 | 多模型切换 | $30/月 |
| GitHub Copilot | 海量训练数据：基于GitHub上数十亿行代码训练即时响应：代码建议响应速度极快（平均50ms）上下文感知：能够理解当前文件和相关导入的上下文多种建议：为同一个位置提供多个代码选项 | 通用补全 | 多模型切换 | $10/月 |
| Kiro | 规范化开发流程智能自动化自主规划、文档化 | 规范驱动 | 多模型切换 | $39/月 |
| Qoder | 以增强上下文工程智能代理集成多模型协同支持代码检索、Repo Wiki | 架构深度理解 | 自研+多模型切换 | 待定 |
2、场景探索工具 (特定领域)
- Oxygen Zero：京东内部一站式产品原型设计平台
- ScriptEcho：基于Ant Design等组件库的主题式生成，适合快速搭建B端表单页，减少重复劳动。
- Figma-to-Code：通过插件直接将设计稿转换为Vue/React代码，适合UI还原度要求高且逻辑简单的静态页。
- AI 增强型终端Warp ：
- Warp：将终端命令行的输入输出块级化，支持自然语言查询命令（如："如何撤销上一次git commit"），减少记忆CLI命令的负担。
二、代码知识沉淀 (Knowledge Management)
AI不仅是生成代码的工具，更是知识管理的引擎。我们需要构建基于RAG的知识库，让AI"懂"团队的业务和规范。沉淀从个人记忆到**团队资产。**解决"新人不了解历史代码逻辑"的问题。
1、 知识库形态对比
| 协同工具 | DeepWiki | 私有项目知识库 (Repo RAG) |
|---|---|---|
| 查询方式 | "Search模式"：关键词搜索，点击链接阅读。 |
"IDE内联"：在写代码时通过mcp工具查询相关知识。 |
2、 建设策略：私有项目知识库
结合项目代码，建立私有的**Context Provider，**前期投入虽大，却能提升后期成员AIcoding的采纳率和生成效果。
- 显性知识向量化：将团队的内部代码规范、核心工具库、UI组件库文档、API接口定义、网络请求规范等导入向量数据库。
- 隐性知识提取：定期利用LLM分析Git Commit Log和PR Review记录，生成"常见错误集锦"和"最佳实践案例"，自动存入知识库。
- IDE集成 ：在IDE中配置
.rules，强制AI在生成代码前先读取核心规范。
三、团队 AI 开发 (Team AI Workflow)
引入AI不仅是换工具，更是研发模式的重构。我们需要从"写代码"转向"设计代码"和"验收代码"。
1、 PromptTemplate 提示词模板库建设
建立团队共享的PromptTemplate和AgentRules仓库，如我们之前打造的OmniAgent，按场景（如技术方案设计、后端代码生成、SQL编写）分类管理。
- 结构化：使用清晰的系统指令（角色）、用户指令（任务）、上下文（代码片段）和格式要求。
- 可迭代：记录不同提示词的效果，持续优化。
- 共享机制：通过Git仓库管理Prompt，团队成员可提交PR优化提示词。
2、 AI Coding 新模式
A. Vibe Coding (氛围编程)
概念源自 Andrej Karpathy
- 定义 ：开发者不再专注于逐行编写语法正确的代码，而是专注于管理代码的逻辑流和功能实现。
- 工作流 ：
- 开发者用自然语言描述需求（Vibe/意图）。
- AI 生成完整模块。
- 开发者Review运行结果，如果不对，不改代码，而是修改Prompt（调整Vibe）。
- 核心转变 ：从
Writer(编写者) 变为Manager(管理者/验收者)。
- 适用场景：脚本编写、数据处理、非核心业务逻辑、原型验证。
B. Spec Coding (规格驱动编程)
- 定义：强调先由AI或开发者产出清晰的需求、设计文档和任务列表，再进行开发。这种模式流程透明、结果可控，非常适合功能开发、遗产系统重构和需要严格设计的生产代码。
- 工作流 ：
- 开发者编写
.spec文件或详细的 Interface 定义。 - AI 读取 Spec 和 Test，生成 Implementation（实现代码）。
- 自动运行测试，AI 根据报错自动修正代码，直到测试通过 (TDD Loop)。
- 开发者编写
- 适用场景：核心业务逻辑、复杂的模块、限定规则的项目等。
| 特性 | Vibe Coding (氛围编码) | Specs Coding (规范驱动编码) |
|---|---|---|
| 核心哲学 | 对话与探索 | 规划与执行 |
| 适合阶段 | 从0到1的原型验证 | 从1到N的生产开发与重构 |
| 输出物 | 可运行代码 | 需求/设计文档、任务清单、代码 |
| 可控性 | 较低，过程像"黑箱" | 极高，步步可见可审 |
3、 全流程渗透
在这个流程中，我们期望与一系列智能的"Agent "协作，由Agent负责研发全流程的自动化和知识的串联。
| 阶段 | 核心目标 | 关键 AI Agent/工具 | Agent 职能与自动化价值 |
|---|---|---|---|
| 1. PRD → 任务拆分 | 将产品需求转化为技术实施单元。 | Scrum Agent | 结构化分析 PRD，自动识别功能点，生成 JIRA/任务看板 tickets，并输出初步的技术复杂度和依赖关系图。 |
| 2. 任务拆分 → 技术方案设计 | 生成代码实现的蓝图和规范。 | 设计 Agent | 根据任务描述，设计实现方案、数据模型和关键架构图。为后续的代码生成提供明确的规格（Spec）。 |
| 3. 技术方案设计 → 代码实现 | 基于设计规范，快速编写功能代码。 | 编码 Agent | Spec-Driven Coding：以设计 Agent 输出的 Schema 为输入，使用 RAG 检索知识库，生成符合规范的代码。 |
| 4. 代码实现 → 模拟接口联调 | 在前后端尚未完全就绪时进行集成验证。 | Mocking Agent | 自动生成 Mock Server：根据设计 Agent 输出的 API Schema，自动搭建一个模拟接口服务。联调 Agent 驱动前后端代码针对 Mock Server 进行联调和初步缺陷定位。 |
| 5. 模拟接口联调 → 自动验证 | 验证实现是否满足初始需求。 | 质量 Agent | 运行端到端 (E2E) 测试：测试代码在模拟环境下的表现。自动对照 PRD 的验收标准输出功能验证报告。 |