AI Coding 的下一站，不是更会写代码，而是更懂团队

📌 一句话摘要

本文详述腾讯 QQ 浏览器团队如何通过主题分组、Review/Dedup/Merge 三层治理链路，将 AI Coding 会话中的零散经验沉淀为可复用的团队知识系统。

📝 详细摘要

文章首先指出个人 AI Coding 虽能提升效率，但团队规模使用时会出现经验即抛、重复踩坑、知识碎片化以及 AI 永远是‘新同事’的问题。为此，团队设计了从对话上报、主题分组、经验抽取、Review 质量审核、Dedup 候选去重、Merge 历史合并到入库、召回的完整链路。Review 层引入源码探索进行事实性校验；Dedup 层采用‘宁严勿宽’原则，禁止桥接式合并以保护经验边界；Merge 层以唯一目标判定前置、更新必须自检、冲突不自动决策等策略保护历史经验。文章总结出四条可复用方法论：先定义资产边界再做自动化沉淀、分层治理而非单一 prompt、依据业务风险设定默认策略、从错例中抽象规则进行 Prompt 优化。系统在 QQ 浏览器 6 个仓库、50+ 名研发人员中运行，累计处理 1，236 次对话，最终入库 789 条高置信经验，有效率从初版的 10% 提升至约 80%。

💡 主要观点

- AI Coding 会话经验易丢失，导致重复踩坑和经验即抛。 每次 session 结束后，AI 不会保留纠偏经验，下一个同事遇到相同问题时又要从零开始，造成团队知识的断层和低效。

构建对话上报 → 主题分组 → 经验抽取 → Review → Dedup → Merge → 入库 → 召回的完整链路。 通过主题分组降低噪声，Review 层用源码探索等手段拦截事实性错误，Dedup 层采用宁严勿宽避免边界污染，Merge 层保护历史经验边界，确保只有高价值经验进入知识库。

三层治理分别有明确目标和策略：Review 默认保留、Dedup 宁严勿宽、Merge 保护历史边界。 这样设计可以分别控制误杀高价值经验、误合并导致的永久边界污染以及对已验证资产的过度修改，使系统更可靠。

四条可复用方法论：先定义资产边界、分层治理、依据业务风险设默认策略、从错例抽象规则优化 Prompt。 这些原则将经验系统的建设从‘手艺活’提升为工程化流程，确保每一步都有可验证的效果和持续改进的路径。

系统落地后效果显著：初版 90% 废经验，治理后有效率 95%，最终入库率约 80%，已沉淀 789 条高置信经验。 在 QQ 浏览器 6 个仓库、50+ 名研发人员、1，236 次对话的实践中，经验系统稳定运行 30+ 次，显著减少了重复踩坑并提升了团队协作效率。

💬 文章金句

- 被召回后，Agent 能否产生正向的行为变更

• 过程录像不等于经验。自动提取放大候选集的同时，也在同步放大噪声。不加过滤的自动提取，就是一个垃圾放大器
• 宁严勿宽，禁止桥接合并
• 先定义资产边界，再做自动化沉淀
• 经验系统的本质不是技术系统，是团队认知能力的工程化管道

📊 文章信息

AI 初评：91

精选文章：是

来源：腾讯技术工程

作者：腾讯技术工程

分类：软件编程

语言：中文

阅读时间：36 分钟

字数：8874

标签： AI Coding, LLM, Prompt Engineering, Developer Tools, Team Knowledge Management

阅读完整文章