bili-fe-workflow —商业化智能开发工作流实践

📌 一句话摘要

本文详细介绍了哔哩哔哩前端团队从 Prompt Engineering 演进到 Harness Engineering，构建了一套覆盖需求分析、代码生成、UI 还原、自动化测试和 Mock 的完整智能开发工作流体系。

📝 详细摘要

文章系统性地阐述了哔哩哔哩前端团队在 AI 辅助开发领域的实践成果。核心是从零散的 AI 工具使用，升级为名为 Harness Engineering 的体系化工作流。文章首先介绍了作为基础设施的 .workflow 项目知识库，用于为 AI 提供项目全貌和编码规范。随后详细拆解了多个核心工作流：prd-preprocess 用于将原始产品需求文档转化为结构化、可执行的开发文档，并通过 AI 进行需求澄清和拆解；dev-workflow 则进一步分为 D2C（设计驱动代码）和 Dev（需求驱动代码）两条路径，前者从 Figma 设计稿自动生成 UI 代码并产出逻辑补全提示，后者则根据需求复杂度动态编排技能序列，实现从技术方案到代码的完整生成；此外还介绍了自动化测试工作流和 AI Mock 工作流。文章强调，这套体系的核心方法论是「模仿」和「拆解」，即通过将人类开发者的工作流程拆解为 AI 可执行的步骤，并利用知识库、MCP 工具和子代理等技术，实现跨越整个研发生命周期的长任务自动化。最终目标是建立一种新的工程共识，将个人经验沉淀为团队共享的智能开发能力。

💡 主要观点

- 从 Prompt Engineering 演进到 Harness Engineering，构建体系化 AI 开发工作流。 不再依赖零散的 AI 工具，而是通过标准化的工作流将需求分析、代码生成、测试等环节串联起来，形成可复用的工程体系。

核心方法论是「模仿」和「拆解」人类开发者的工作流程。 通过将人类开发者的思考和实践步骤（如需求评审、技术方案设计）拆解为 AI 可执行的细粒度 Skill，让 AI 模拟真实开发过程，提升生成质量和可控性。

.workflow 知识库是 AI 理解项目上下文的基础设施。 通过结构化的项目元信息文档（技术栈、编码规范、API 调用方式等），让 AI 能够快速建立对项目的结构化认知，生成符合项目规范的代码。

D2C 和 Dev 双路径并行，分别处理 UI 还原和业务逻辑。 D2C 从 Figma 设计稿自动生成 UI 代码并产出逻辑补全提示；Dev 根据需求 PRD 动态编排技能序列，生成完整可运行代码，两者通过 logic-hints.md 衔接。

前端工程师的价值正从编码产出转向问题抽象、方案设计和质量把控。 在 AI 辅助开发的新范式下，工程师的核心能力变为如何更好地组织需求、编排上下文、制定约束和验证结果，从而放大 AI 的能力。

💬 文章金句

- 我们从 prompt 工程演进 Harness Engineering，做了一系列智能开发工作流，让 AI 能够帮助我们执行跨越整个研发生命周期的长任务。

• Harness Engineering 的意义，不只是提供一套更高效的开发流程，更是在团队内部建立一种新的工程共识: 先定义清楚问题，再约束生成过程，最后通过标准化验证确保结果可交付、可维护、可复用。
• 前端工程师的价值正在从'单点编码产出'转向'问题抽象、方案设计、规则沉淀与质量把控'。
• 这套体系一旦建立，提效就不再是偶发结果，而会成为组织层面的稳定能力。

📊 文章信息

AI 初评：90

来源：哔哩哔哩技术

作者：哔哩哔哩技术

分类：人工智能

语言：中文

阅读时间：29 分钟

字数：7153

标签： Harness Engineering, 智能开发工作流, AI 编程, 前端工程化, MCP

阅读完整文章