本文针对服务端AI Coding在复杂业务场景中难以达到生产级质量的问题，提出并实践了基于SDD（规格驱动开发）的解决方案。通过摒弃完全自动化的端到端流程，转而采用“开发者深度参与”结合Aone Copilot工具链的模式，将Spec作为唯一真相源以解决AI的概率性输出、上下文限制及局部视野瓶颈；同时引入自进化记忆机制（topic-open/save）管理跨会话上下文，确保知识沉淀与风格一致。最终在百亿补贴项目中实现了0手写代码的高质量交付，证明了SDD方法论配合开发者对Spec定义、架构审核及质量把控的深度介入，是将AI Coding从实验性工具转化为可控、可复制的生产力关键。
当 Agent 自己会出题、自己会答题、还能把答错的经验沉淀成下一次的"技能包"——一个永远在长大的 Agent，到底能走多远？十几篇论文反复啃读，从"存技能"到"训技能"，再到"零数据自训"，我们终于摸清了自进化 Agent 这条赛道的脉络。本文将带你深入 Agent 的"经验大脑"——从把经验写进文件，到把经验训进权重，再到完全无人工数据的自我循环，一步步拆解研究路径。
在 《是时候了解一下 Git worktree 了》 一文中，我们介绍了如何在 Codex、Claude Code 等 Coding Agent 中利用 Git worktree 实现并行开发。不过，那篇文章聚焦于单仓库场景。当我们尝试将 worktree 应用于采用多仓库架构的 LLM Arena 平台时，又遇到了一系列新问题。 本文记录我们如何为多仓库场景设计面向 Coding Agent 的 worktree 工作流，以及如何处理子模块初始化、需求编号冲突和多 Agent 编排等问题。
本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会 「得物推荐 AI Harness 工程化实践系列」的末篇内容，本系列共三篇连载。本篇（末篇）详解得物推荐评测平台的完整技术体系：从主观体验量化到大模型自动化评测流水线，涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现，以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。
