1. 项目背景与核心价值bili-fe-workflow是哔哩哔哩前端团队在商业化业务场景下沉淀的一套智能开发工作流解决方案。这个项目的诞生源于我们在日常开发中遇到的几个典型痛点商业化需求迭代快、多团队协作复杂、人工操作环节多且易出错。通过将AI能力深度整合到开发流程中我们实现了从需求分析到代码发布的半自动化处理。这套系统的独特之处在于它不是简单地将AI作为辅助工具而是重构了整个开发流程。我们基于Harness Engineering理念一种比传统Prompt Engineering更系统的AI工程方法让AI能够自主执行跨职能的长周期任务。比如自动生成组件代码、智能检查代码规范、预测部署风险等。2. 架构设计与核心模块2.1 整体架构分层系统采用典型的三层架构交互层包含CLI工具、IDE插件和Web控制台支持自然语言输入需求调度层工作流引擎负责任务编排内置异常处理机制能力层集成多种AI模型如Claude、Codex和传统开发工具链关键设计原则每个模块都遵循人机协同理念AI处理常规任务开发者专注核心逻辑2.2 核心工作流示例以广告位开发为例的典型流程产品输入需求需要在视频详情页新增一个可关闭的横幅广告系统自动拆解出前端React组件开发后端广告位ID配置测试关闭功能验证用例生成具体开发任务并分配执行3. 关键技术实现3.1 智能任务分解采用LLM规则引擎的混合方案先用Claude理解需求语义再通过预定义的领域特定语言(DSL)进行结构化最终输出带依赖关系的任务DAG图# 伪代码示例 def parse_requirement(text): # 第一步意图识别 intent claude.extract_intent(text) # 第二步实体抽取 entities rule_engine.extract_entities(text) # 第三步生成任务树 return task_builder.build(intent, entities)3.2 多模型协同机制我们建立了模型间的专家会诊机制Claude负责需求理解和文档生成Codex专注代码相关任务内部训练的领域模型处理业务规则校验通过置信度打分和人工复核机制确保输出质量。实测显示这种方案比单一模型准确率提升37%。4. 落地实践与效能提升4.1 典型场景数据对比指标传统流程智能工作流提升幅度需求到PR时间8h3.5h56%代码返工率22%9%59%跨团队协作耗时6.5h2h69%4.2 实际应用案例某次大促活动开发中原计划需要5人日完成的所有广告位更新通过工作流自动生成80%基础代码开发者只需处理业务定制逻辑最终提前2天交付且零线上事故5. 踩坑经验与优化方向5.1 关键教训模型幻觉问题初期直接让AI生成完整代码导致大量隐藏bug。后来改为生成代码片段人工组装模式。流程僵化风险过度自动化会使开发者失去上下文。现在保留关键节点的确认环节。知识更新滞后建立每周自动同步最新业务规则的机制。5.2 持续优化点引入强化学习优化任务分配策略开发可视化的工作流调试工具建立开发者反馈的模型微调闭环这套系统目前已在哔哩哔哩多个业务线落地平均节省30%以上的开发耗时。最大的收获不是效率提升本身而是让开发者从重复劳动中解放出来真正专注于创造有价值的功能。