大家好，我是 lv。
本文是「适合很多公司和团队的 AI Coding 落地范式」系列的第三篇。
前两篇见：
在第一篇文章，我们把市面上的 AI Coding 产品划分为了两类：AI Coding 平台类产品 & AI Coding 基建类产品。
在第二篇，我们针对 AI Coding 平台类产品，探讨了适合很多公司和团队的 AI Coding 落地范式：AI Coding 平台工程化。
AI Coding 平台化工程可以让需求方（产品经理、设计师、运营人员等）直接生成符合公司设计规范 & 代码规范的代码。
第二篇的最后，我们也提出了一个问题：
AI Coding 平台化工程的缺点是什么？
缺点是 ：这种模式只适合特定场景：比如说邮件模版生成，营销页生成，而且主要是从 0 ～ 1的代码生成场景。
如果你所在的团队有大量类似场景的需求，那 AI Coding 平台再合适不过了，可以简单理解为它就相当于是AI 时代的低代码平台。
假设在一个从 1 ～ n 长期迭代的复杂项目中，需要基于已有模块进行功能迭代，基于 AI Coding 平台的工程化将会异常复杂。
因此，为了也能够在团队偏复杂场景下落地 AI Coding，我们本篇开始讨论：基于 AI Coding 基建的工程化落地范式。
AI Coding 基建使用现状
市面上的 AI Coding 基建产品很多，比如 Cursor、Claude Code、Codex、Cline 等 ...
以 Cursor 和 Claude Code 为代表，支持的核心功能包括：Commands、Skills、Sub Agent、Mcp、Hooks 等。
可参考 claude code 文档：code.claude.com/docs/zh-CN/...
使用 AI Coding 基建以及以上核心功能，我们可以做到：
-
针对非复用生码场景的 AI 辅助编码
-
针对可复用生码场景的 AI 流程封装
第 1 种，大家遇到的场景不一样，没有可复用性借鉴的价值，主要是一些使用 ai coding 的技巧，如先 Plan 后 Coding、Spec Coding 等。
那我们在公司和团队内部主要就是做第 2 种，其实本质就是组合 Commands、Skills、sub agent、mcp、hooks 等能力，来实现：针对可复用生码场景的 AI 流程封装。
AI Coding 基建工程化
很多公司和团队，在推广使用 AI Coding 基建的时候，可能会面临以下问题：
-
团队协作 ：AI Rules 更新了，团队成员可能不知道，导致无法使用新的 AI Rules。
-
规则重复 ：配置的 AI Rules 都是跟着项目走的，换一个同类型的项目，相同的生码场景需要新项目再配置一遍。
-
工具割裂：不同小组可能混用不同的 AI Coding 基建，相同的生码场景无法在不同工具之间复用。（尤其是针对大型复杂团队来说）
-
...
为了让 AI Coding 基建能够更方便在团队内部落地使用，我们开始：AI Coding 基建工程化 ，产品形态为：Cli 工具。
Cli 工具主要包含两个核心功能：
- 统一给 AI Coding 基建提供外部数据
主要是通过 MCP Server 把公司内部的私有数据暴露给 AI Coding 基建，比如公司内部的私有组件库。
- 统一管理 AI Rules
针对公司内的不同项目 & 不同 AI Coding 基建提供不同的 AI Rules 初始化和更新能力。
比如在新项目的根目录下，执行: cli init --cursor，则生成针对这个项目配套 cursor 的生码 rules，执行 cli update --cursor，则更新这个项目配套 cursor 的生码 rules。
下面以实际的案例出发来聊聊 AI Coding 基建工程化的实现。
Compoder CLi 案例
上一篇文章，我们主要展示的是 Compoder 作为 AI Coding 平台的一种产品形态，内部集成了 AI 生码的工作流 & 代码渲染器等。
其实，Compoder 还有一种产品形态：Cli 工具，这种产品形态代表的是 AI Coding 基建工程化的产物。
效果演示
我们同样以上一篇文章中的 Landing Page Codegen（基于私有组件生成规范代码的场景） 为例，来演示下 Compoder Cli 的效果。
- 进入 landing page 的项目工程，在根目录执行：
compoder init，根据 cli 提供的交互，选择 Landing Page Codegen，然后选择 Cursor 作为 AI Coding 基建
- 打开 cursor chat，输入需求：
compoder landing page codegen 生成 https://github.com/IamLiuLv/compoder/ 的 landing page
- 等待代码生成完毕，查看效果
中间会调度对应的 mcp server 获取私有组件信息，然后生成代码。
实现原理
Compoder cli 做的事情就是：统一给 AI Coding 基建提供外部数据 & 统一管理 AI Rules。
统一给 AI Coding 基建提供外部数据
在 Compoder 内部，以 Landing Page Codegen 为例，我们管理了 Landing Page Codegen 的私有组件信息，比如组件名字、组件的描述信息、组件的 api 信息、组件的示例代码等。
为了让 AI Coding 基建能够访问到这些私有组件信息，我们使用 MCP Server 对外暴露 Compoder 内部管理的 Codegen 私有组件信息。
这个 MCP Server 对外暴露两个 tools：
-
component-list: 获取 Landing Page Codegen 的私有组件列表，包括组件名字、以及组件的描述信息
-
component-detail: 获取 Landing Page Codegen 指定组件的详细信息，主要包括组件的 api 信息、组件的示例代码等
这个 MCP server 的配置会在执行 compoder init 的时候，自动生成在项目中来，如我们选择的 AI Coding 基建是 Cursor，则会在项目中生成一个 .cursor/mcp.json 文件，内容如下：
假设在你公司团队内部，需要给 AI Coding 基建提供多种多样的外部数据，同样你可以通过这种工程化 Cli 来启动 MCP Server 对外暴露这些外部数据，使用 Tools、Resources、Prompts 等类型都可以，主流的 AI Coding 基建基本上都支持。
统一管理 AI Rules
在 Compoder 内部我们已经有了一套基于私有组件来生成代码的 workflow：设计组件 => 实现组件。
那怎么把这个流程在不同的 AI Coding 基建中执行呢？
不同的 AI Coding 基建，有不同的 Rules 格式要求，这里我们以 Claude Code 的 Skills 为例。
在执行 compoder init 的时候，我们选择 Claude Code 作为 AI Coding 基建，则会在项目中生成一个 .claude/skills/landing-page-codegen 文件夹，内容如下：
这里的提示词细节就不展开讲了，感兴趣可以看：Compoder cli 初始化 claude skill
如果后续需要更新 AI Rules，则执行 compoder update，compoder cli 会根据 init 时候生成的 .compoderrc 文件中的配置，来更新对应的 AI Rules 文件。
如果你在公司内部，希望有一个统一的 AI Rules 管理方案，来针对不同场景 or 不同项目 or 不同 AI Coding 基建来 init & update AI Rules，可以参考 Compoder Cli 的这种实现方式。
以上，我们相当于学习了一套适合很多公司和团队的 AI Coding 落地范式：基于 AI Coding 基建搭建「符合公司内部研发流程」的工程化 Cli 工具。
这个工程化 Cli 主要用来：
-
统一给 AI Coding 基建提供外部数据
-
统一管理 AI Rules
你可以考虑在公司内部推广使用这套范式，来帮助团队成员更高效地使用 AI Coding 基建。
知道了这套范式后，我们再来思考下，哪些 Coding 场景可以用这套范式来实现，并在团队内部推广使用呢？
从岗位的信息流转来看：产品经理(prd) => 设计师(design) => 代码工程师(code)。
Compoder cli 代表的场景可以归纳为从产品经理（prd）直接 => 代码工程师（code）：prd to code，相当于把设计师和程序员的能力融入到了 compoder cli 生成的 ai rules 中。
但其实对于相对复杂一点的项目迭代来说，基本上需要配套设计师（design）的环节，设计师产出的设计稿是：从产品需求 -> 最终生产代码 一个很重要的桥梁。
就好比毛坯房装修，设计师产出的设计方案和装修方案，是确保装修效果符合业主预期的关键。
那从设计师（design）=> 代码工程师（code）：也就是design to code，如何在团队内部落地呢？
我在公司内部已实践落地了一年多的 AI 驱动的 design to code 方案，中间还成为 Design Engineer 角色，和设计师合作，直出设计稿对应的代码，交付给前端工程师进行集成。
目前实现了：基于设计稿生成多端（web 端、flutter app 端）、多技术栈（antd、mui、公司私有组件库, ...）的代码。
沉淀了一套比较通用的 design to code 方案，遇到其他的技术栈，也可以快速适配。
中间踩了很多坑，大家自己在尝试的过程中可能也遇到过的，比如：
-
使用市面上的诸如 figma mcp server 结合 Cursor、Claude Code 等 AI Coding 基建，但是还原度不高
-
怎么把设计稿节点映射为代码中的组件，尤其是私有组件场景
-
怎么把设计稿对应的静态资源引入到代码库，比如 image、svg 等
-
如何设计合理的 design to code agent workflow，保证生成的代码质量，适配团队不同项目、不同技术栈和不同的代码规范等。
-
如何尽可能自动化 design to code，保证人只需要审核关键节点即可。
-
...
不同公司团队的情况可能会不一样，有需求的伙伴，可以链接我，1 v 1 咨询 & 陪跑落地。
我可以针对你实际情况来提供 design to code agent workflow 落地方案。