网盘存量代码迁移实战：我们如何用三层架构管住 AI 的输出

📌 一句话摘要

本文以网盘 Android 存量代码迁移至 KMP 项目为实践，详细介绍了 Skill、SubAgent、Agent Team 三层 AI 架构，分别解决执行稳定性、长链路上下文膨胀和并行协作效率问题。

📝 详细摘要

文章基于百度网盘 Android 存量代码向 KMP 多端复用的真实项目，系统阐述了如何通过三层 AI 架构来管理和约束 AI 输出。作者首先指出直接使用 AI 进行代码迁移时遇到的三大问题：输出不稳定、长任务后期幻觉增多、无法并行处理。针对这些问题，他们构建了 Skill（执行层）、SubAgent（调度层）、Agent Team（协作层）三层方案。Skill 通过可复用的规范文件和 Checklist 固化执行方式，解决单点执行不稳定；SubAgent 将长链路任务按步骤拆分为独立上下文，通过 Agent-Memory 传递结构化信息，解决上下文膨胀；Agent Team 将无强依赖的任务分配给多个专业 Teammate 并行执行，通过 Mailbox 消息通道处理跨类型依赖。文章还分享了多个实践心得，包括 Skill 应被真实错误倒逼出来、Memory 文件要提炼而非备份、并行带来的专注度提升比速度收益更明显等。

💡 主要观点

- Skill 通过规范文件和 Checklist 固化执行方式，解决 AI 输出不稳定的问题。 将一类任务的执行方式写成可复用的规范文件，AI 调用时按规范走，不再每次重新理解。Checklist 将每个步骤拆成可逐项打勾的检查项，有效降低遗漏率。

SubAgent 将长链路任务按步骤拆分为独立上下文，通过 Agent-Memory 传递结构化信息，解决上下文膨胀和幻觉问题。 每个 SubAgent 有完全隔离的上下文，完成后将关键信息提炼为结构化文件（如资源映射表）存入 Memory，供后续步骤精确消费，避免信息噪声和幻觉。

Agent Team 将无强依赖的任务分配给多个专业 Teammate 并行执行，通过 Mailbox 消息通道处理跨类型依赖。 四类提取任务（UI、布局、业务逻辑、资源）由四个专注单一文件类型的 Teammate 并行处理，总耗时接近最慢路径而非累加，且专注分工提升了提取质量。

提取和校验应拆分为独立 Skill，避免 AI 自我审查的倾向。 将提取拆分为 extractor、validator、fixer 三个独立 Skill，validator 不受 extractor 思路干扰，能独立发现遗漏，且出问题时能快速定位。

💬 文章金句

- 让 AI 持续产出可用东西，靠的不仅是更好的 Prompt，还需要一套能管住它的工程结构。

• Skill 的价值不在于 AI 能做多难的事，而在于同一件事 AI 能做多稳。
• 上下文膨胀的临界点比想象中早，漂移比崩溃更危险。
• Memory 文件要提炼，不要备份。
• 并行的收益不只在速度上。分工带来的专注度提升，对任务质量的改善往往比缩短的时间更重要。

📊 文章信息

AI 初评：88

来源：百度Geek说

作者：百度Geek说

分类：人工智能

语言：中文

阅读时间：17 分钟

字数：4150

标签： AI Agent, Skill, SubAgent, Agent Team, 代码迁移

阅读完整文章