企业官网建设流程全解析

AI Coding下复杂业务系统重构：反直觉的事实

当团队90%以上的代码由AI生成，31万行的复杂业务系统还在高速膨胀，会发现一个反直觉的事实：AI Coding不会自动收敛复杂度。没有统一规范的约束，不同人用AI写出的代码风格各异，系统反而会加速腐化。

重构记录：积累的关键经验

本文记录了如何在不停止业务交付的前提下，完成这场重构。在这个过程中，积累了三个关键经验：一是用Agent评测思路管理AI Coding，团队负责Agent评测业务，沉淀出“人人对齐→人机对齐”理念，管理AI Coding底层逻辑与之相同；二是AI正在重新定义“经验”的价值边界，利用AI工具，工程师短时间内发现10个性能隐患，经验价值从“能看全”转移到“能判断什么重要”；三是技术债可以像业务需求一样被迭代消化，把技术债拆解为业务需求的“顺带动作”，借着迭代渐进式消化。

背景：复杂的业务系统

Agent评测系统长期承载多个核心业务场景，业务复杂度和工程复杂度都很高。具体体现在三个维度：业务仍处于探索期，需求高度模糊，全行业都在探索Agent评测，用户不了解如何评测，需求又急又模糊；庞大且高频的迭代体量，系统从2025年6月约不足5万行代码快速扩展至31万行，月均16个需求；“笛卡尔积”级别的业务场景矩阵，系统底层支持6种多模态数据评测，上层构建多种核心任务视图和精细化业务动作，配套十余种质检机制，每天需处理成百上千种复杂业务流组合。

为什么要重构？

当业务进入快速迭代与试错期，庞大的业务体量与原有底层架构之间的矛盾集中爆发，迫使启动大规模重构。核心动因有三个痛点：一是业务模型亟需升级，旧架构无法支撑探索性业务，随着业务交互丰富度和复杂度增加，旧有数据模型扩展能力不足，新增业务形式需新增代码；二是代码严重腐化，技术债拖垮迭代效率，过去按需求建包开发，代码缺乏合理工程分层，形成“面条式代码”，技术债让开发痛苦，交付效率瓶颈严重；三是协作模式风险放大，缺乏规范的AI Coding加速系统腐化，团队成员规模增至3倍，技术背景复杂，90%以上代码由AI辅助编写，不建立底层架构规范，系统会快速腐化。因此，需要工程重构并建设符合AI Coding规范的工程重构。

重构时间线与执行路径

阶段一：定义问题，借助AI梳理技术债（2026年2月启动）

在需求高压背景下，梳理技术债面临困境，代码量太大，人力无法短时间穷举和穿透复杂关联逻辑。采用“专家经验定向 + AI辅助排查”方式，由核心开发圈定高危排查边界，AI进行穷举扫描，快速摸清系统底层P0/P1级技术债。AI适合帮把问题“看全”，但判断问题重要性和优先级还是由人负责。投入有限资源完成3个P0技术债和2个P1技术债的梳理，工程师还利用AI辅助精准定位10个性能隐患，这让重新思考“经验”的定义，经验价值从“能看全”转移到“能判断什么重要”。

阶段二：调研并制定AI友好的研发规范（2026年2月底完成）

通过技术债梳理解决了重构哪里的问题，接下来要解决“代码应该怎么写”。在全员90%代码依赖AI Coding的现状下，核心要解决“如何将一两个用好AI的人的经验，高质量泛化到全组”。在传统研发模式下，开发规范主要用于团队协作等，而AI成为主要编码产能后，规范意义发生本质变化，AI Coding时代的研发规范升级为约束AI产出、阻止系统长新债的基础设施。用评测Agent的方式管理AI Coding，先通过规范拉齐团队工程标准（人人对齐），再通过AI Rule和Skill约束大模型生成结果（人机对齐），顺序是先“人人对齐”，再“人机对齐”，人的共识是AI约束的前提。将规范转化为AI的执行约束，调研业内成熟团队研发规范，结合自身流程，沉淀出AI友好的工程约束，落地为always级别的AI Rule，前置到预CR环节，针对领域职责划分问题，沉淀为编码时渐进式加载的Skill。

阶段三：建立SOP，“见缝插针”完成渐进式重构（2026年3月 - 4月）

Action 1：100%借助AI完成工程分层与解耦重构

将“按需求建包”的面条式代码迁移到标准四层架构及按业务域组织的新结构中，重点是治理历史代码深度耦合问题，尤其是底层数据对象PO泄露与上浮。分三步推进：补齐业务对象与数据转换层，重建接口契约，修复上游全链路参数依赖。重构特点是改造规则明确但涉及范围广、重复劳动密集，先由重构主R完成两个最复杂包的迁移，沉淀可让AI执行的标准化迁移SOP，团队其他成员按SOP指导AI完成剩余包迁移，研发聚焦业务语义验收和Code Review，快速完成十余个核心包的工程结构迁移。

Action 2：零排期重构——借着业务需求“渐进式重构业务模型”

行业重构通常有推倒重来或申请专项排期两条路，这次走了第三条路，把技术债拆解为业务需求的“顺带动作”，借着迭代渐进式消化，未申请专门重构时间。具体做法是将技术债拆解到日常高优需求中，如借着核心功能迭代需求设计并落地全新业务模型，借着功能升级需求设计全新质检业务模型并完成全量迁移。难点在于拆解精度，要在不停止业务交付的前提下完成核心数据模型的平滑升级。

Action 3：重构质量保证

一是建设AI CR与Pre - PR机制。AI编码效率提升后，Code Review成为瓶颈，团队达成共识：人工CR价值转变为判断是否在正确约束下解决正确问题，AI审查规范类问题，人重点在前置技术方案评审环节把关。引入Pre - PR机制，提交代码前用AI审查自查，修复问题后提交标准PR文档；高阶模型审查低阶模型；不同厂商模型对抗互相审核。二是调研取经，建立AI辅助测试用例生成规范。团队100%的需求由研发兼任测试，探索AI辅助自测有两条路线，路线A全自动生成用例问题多，最终确认路线B（人工主导，AI辅助）方向，沉淀为Human - in - the - loop的测试SOP，包括建立范围、风险分级、设计分组、生成步骤、验证覆盖等步骤。

总结

沉淀的关键经验

一是用评测Agent的方式管理AI Coding，先团队形成统一共识，再固化为AI可执行约束；二是AI重新定义了“经验”的价值边界，经验价值从“能看全”转移到“能判断什么重要”；三是技术债可以像业务需求一样被迭代消化，关键在于拆解能力；四是工程师的角色变了，工作重心从“写代码”转向“设计并维护能让AI可靠产出代码的工程环境”。

行动指南：如果你的团队也想落地

第一步盘清技术债，由核心开发圈定高危方向，让AI做穷举扫描；第二步制定规范并落地为AI Rule、Skill，先组织团队对齐核心共识，再固化为AI编码时加载的Rule；第三步由主R打样，沉淀可复用的迁移SOP；第四步建立Pre - PR机制，提交前用AI自查，让人工CR聚焦业务语义。