天猫新品团队 AI 编码实战指南（下）

📌 一句话摘要

本文是天猫新品团队 AI 编码实战指南的下篇，系统分享了团队在 AI 辅助编码中的团队建设经验、实用技巧集锦，涵盖小二端全栈化转型、C 端 AI 辅助开发、知识库建设及多种提升 AI 编码准确度的技巧。

📝 详细摘要

本文是天猫新品团队 AI 编码实战指南的下篇，延续上篇的方法论与案例，聚焦团队建设与实用技巧。在团队建设方面，文章详细介绍了小二端（后端全栈化）和 C 端（视图分离）两个方向的 AI 编码探索。针对小二端，团队从初期提供代码规范与模板，到中期建设「AI 案例实践中心」和 MCP 速查工具，再到后期打造轻量级团队知识库，实现了无视开发工具、简单易用的公共知识库，完成了团队内 AI 开发方案的统一收口。针对 C 端，团队则聚焦于代码结构设计、标准化工作流沉淀、知识库建设以及开发流程中的工具辅助。在实用技巧部分，文章分享了 UI 布局重构、复杂 Prompt 构建、数据转换、多方案选优、文档生成等常见应用场景，并介绍了「严厉语气」和「合理质疑」等提升 AI 输出准确度的技巧。全文基于真实业务场景，提供了大量可落地的实践经验和具体案例。

💡 主要观点

- 团队 AI 编码转型的核心是沉淀自身的工作流与 AI 资产。 在 AI 基建快速迭代的背景下，业务团队的重点应放在沉淀团队独有的工作流与 AI 资产上，如代码、知识、工作流和工具的复用，这是外部 AI 工具无法替代的核心竞争力。

通过建设轻量级团队知识库，实现 AI 开发方案的无感统一收口。 团队利用 git 仓库和 npm 包管理知识库，以类 Skill 形式封装开发规范与代码模板，AI 可通过 curl 命令读取资源，不依赖具体编码工具，实现了及时更新、支持问答、使用无感的统一知识源。

针对不同严苛程度的需求场景，应采用差异化的 AI 编码策略。 文章将需求分为小二端（低严苛，AI 主导）和 C 端（高严苛，AI 辅助），前者利用 AI 完成全部需求，后者则通过知识库、标准化工作流和工具辅助来提高 AI 参与度，而非完全依赖 AI。

「严厉语气」和「合理质疑」是提升 AI 输出准确度的有效技巧。 研究表明严厉语气在某些任务上可提升准确率；同时，开发者应主动质疑 AI 的不合理实现，引导其尊重项目原有架构，避免破坏性改动，从而获得更优方案。

💬 文章金句

- 作为业务团队，在 AI 基建不断迭代背景下，我们的重点应该是沉淀自己团队的工作流与 AI 资产，从而在有颠覆性新产品出现时可以快速接入，且这部分是其他 AI 工具无法为代劳，只能由我们自己进行建设与沉淀的。

• 如果怎么改都没有效果的提升，不妨试试说些狠话
• 请尊重项目原本的架构，把破坏性的改动归位，按照更合理的方式进行修复
• 让 AI 去操作 AI，开发者只思考需求是什么

📊 文章信息

AI 初评：88

来源：大淘宝技术

作者：大淘宝技术

分类：人工智能

语言：中文

阅读时间：21 分钟

字数：5172

标签： AI 编码, 团队建设, 知识库, 全栈化, Prompt 工程

阅读完整文章