该文介绍了复杂业务场景下AI研发交付的实践方案，团队将流程分为三阶段，重点打造第一阶段底座。通过分层知识库设计（main全局业务、applications应用知识、candidate候选知识、personal个人经验、template模板），确保AI获取准确上下文；采用文件化的RD流程，用Markdown承载需求分析、拆解、实现校验全过程，使研发状态可接续、可review；前置质量门禁，在PRD验证、需求澄清、方案设计等关键节点设置人机协同review点，避免后期高成本返工。不追求100%全AI交付，强调AI负责分析实现、人聚焦关键判断，通过知识沉淀与流程规范提升整体交付质量与稳定性，为后续自动化和多Agent协同奠定基础。
你有没有发现跟大模型对话，同样的提示词每次结果都不一样。 这符合我们对于“大模型的本质就是个猜词器”的一贯认知。然而，可重复性是科学进步的基石。因此让大模型输出完全确定的结果是一个非常值得研究的问题，特别是强化学习需要确定性的 Rollout，来保证实验的可复现性和训练过程的稳定性。
本文聚焦一个扎心的悖论：AI 工具全面普及后，单点效率明显提升，但需求整体交付周期并未显著缩短。作者结合行业数据指出，真正消耗 80%+ 交付周期的并非执行速度，而是角色之间的等待、交接与信息损耗。 据此提出 AI 提效分级框架（L1/L2/L3） 与 AI Native 组织 两大理念，打破产研测运维职能边界，以 BuilderAgent 实现需求到上线的全流程闭环，让提效结果"可复制、可持续"。
本文提出了一种适用于扩散模型的全新引导范式——自交换引导（Self-Swap Guidance, SSG）。针对传统引导方法（如 CFG 或其他无条件引导机制）高度依赖文本条件、需专门训练或直接加噪导致图像失真的局限性，SSG 提出了一种“无需文本、不加噪声、不改模型”的轻量化策略。 其核心思想是在模型推理阶段，直接对内部特征（Token）在空间和通道维度上进行“最不相似”特征对的交换，以此为模型引入结构性扰动生成一条“变差”的预测路径，再利用差值反向指导模型朝更高质量的方向生成。 实验表明，SSG 在有条件和无条件生图任务中均更具鲁棒性，多项图像质量和文本一致性指标超越了现有的无条件引导方法。 该工作由vivo BlueImage Lab，上海交通大学共同完成。
在存量项目的增量开发中，AI 常常面临理解偏差、执行不稳、需要频繁纠正等问题。本文介绍自建的「OpenSpec 规范层 + AI Workflows 执行层」体系，通过一套「规范 + 技能 + 钩子」机制，对 AI 的理解、执行和校验进行系统化约束与增强，显著提升开发协作中的准确率与稳定性，让 AI 从“需要反复纠正的实习生”逐步成长为“可信赖的开发搭档”，文中附完整实战案例。
本文介绍了百亿补贴 C 端 AI Coding 实战中端到端 CodingAgent 的设计与实践，旨在解决前端开发中重复编码、上下文理解成本高及视觉还原难等痛点。该 Agent 采用基于规范驱动与知识增强的自反思架构，通过构建包含页面、模块、组件等多层级的垂直领域知识库，并结合 Git Hooks 实现知识库的自动化同步与在线进化，确保代码生成的业务准确性与时效性。其核心能力涵盖多粒度输入适配、仓库智能匹配、设计稿到代码的智能转换（D2C）、业务代码生成及多层次质量验证，最终实现从需求描述到可交付工程代码的端到端自动化闭环，并已在依赖升级、页面开发等实际场景中落地提效。
