本文以天猫新品 MDI 项目为例，阐述了大型 AI 项目研发协同从“超级个体”到“全员赋能”的四个进化阶段：在单兵攻坚期，通过构建结构化知识库让 AI 深度理解项目上下文，打造“超级个体”；在加人提速期，借鉴站点地图思路进行物理隔离分工，利用 Spec 变更规则及上下文缝补机制（MCP）解决多人协作冲突与推理链断裂，实现效率横向复刻；在高速迭代期，部署独立“技术哨兵机”还原预发合并态，通过云端 Agent 检测隐形业务逻辑冲突并闭环告警，保障研发质量不劣化；在稳定运作期，推出 NekoCollar 云端协作平台，通过沙箱环境、所见即所得的真实页面代理及 Git 软硬双锁，让非研发角色也能安全、高效地基于代码上下文参与协同，最终实现 AI 研发能力从个人到团队再到组织全员的规模化放大。
bybt-data-analysis-assistant是一个数据分析智能体，它能将自然语言提问转化为完整的数据分析流程，实现"你问它答"的智能化数据服务。该系统解决了传统数据分析中取数慢、口径混乱、归因依赖人工和知识不沉淀等痛点，提供NL2SQL取数、波动归因、血缘溯源、Python分析等全方位能力。其核心技术采用多Agent协同架构，通过意图识别、调度路由和ReAct推理循环实现智能决策，摒弃了简单的Text-to-SQL模式，创新性地采用NL2MDL2SQL路径，确保SQL生成的准确性和口径统一。系统构建了六层知识体系，从表结构到会话记忆分层管理，结合WrenAI语义层和Hologres加速查询，实现了从找表、写SQL、执行到深度分析的全流程自动化，大幅提升了数据分析效率和质量，使业务人员能像对话一样获取数据洞察。
5 人 7 天干完 20 人数周的活：Spec-Driven Development 如何重新定义 AI 编程
本文总结了团队在 AI 驱动研发体系的实践探索，从 AI 辅助编程发展到完整的 AI 驱动研发体系。文章指出业务AI研发的真正瓶颈是上下文而非模型能力，提出"本地优先：Agent + 文件夹 + Git"理念，通过 Price360-KB 项目 Harness 将业务知识、源代码、项目规则和验证证据组织在同一工作空间。实践表明迭代过程本身就是知识飞轮，项目无需完美知识库即可启动，在真实产品迭代中持续完善。文章阐述了项目 Harness 的三层结构设计、机器可读的迭代协议以及人负责决策而 Agent 负责执行完整的工作模式。随着模型和通用 Agent 能力提升，项目 Harness 将收缩，但业务知识治理和质量责任不会消失，未来技术人员将更接近 FDE 角色，需深入理解业务、设计项目规则并对端到端交付结果负责。
人与 Agent 所需的信息，往往散落在大量本地文件中，准确、高效地定位这些信息并不容易。zg（zvec-grep） 是面向人与 Agent 的本地优先检索基础设施，基于 Zvec 提供的向量检索与 BM25 能力，并结合 ripgrep（rg），从代码、文档等本地内容中提取并组织信息，减少搜索轮次与上下文消耗，帮助人与 Agent 高效地发现和定位所需内容。zg 现已开源，欢迎体验，也期待你的反馈与贡献！
本文针对AI在复杂数仓环境中取数易产生幻觉、缺乏信任的问题，提出了一套“AI思考能力+工程确定性”的解决方案。通过构建标准化的“代号层”统一业务语义以消除歧义，利用确定性的SQL引擎将用户需求转化为精准SQL并处理权限隔离，同时借助Skill机制限制AI的自由发挥空间并增加可审计性，从而构建起值得信赖的AI取数基础设施；这不仅实现了从模糊需求到准确数据的高效获取，更推动了数据开发角色向高价值语义资产建设的转型及组织协作模式的变革。
本文指出仅靠上下文工程无法保证长链路任务的成功，核心在于将目标维护、状态调度、结果验证等隐性人力工作转化为系统化的“循环工程”。通过引入结构化 Task 作为持久化目标锚点，定义 Job 为最小执行单元并强制要求结构化结果与证据，建立包含事实与判断的执行账本以实现状态外部化，以及基于工程责任划分多 Agent 角色并规范协作协议，系统能够有效处理执行偏差。此外，结合 Tarot Pixel 形成的视觉修正小循环，塔罗平台实现了从单次编码到全链路自动执行的跨越，最终目标是达成输入需求即可交付可发布代码的端到端研发闭环，让人类开发者仅专注于目标确认与异常仲裁。
本文指出随着AI模型在代码生成基准测试中取得高分，Coding环节已趋近被解决，但研发整体效率并未同步提升，瓶颈已转移至编码之外的环境与验证环节。作者通过类比电气化革命中从“电力轴传动”到“单元驱动”的转变，批判了当前将AI简单嵌入原有固定工作流（Spec驱动）的做法，认为这限制了AI的自主性且收益线性递减。文章主张转向“环境与验证驱动”，即停止在提示词编排等易被模型迭代抵消的领域过度投入，转而致力于将企业内部构建、部署、测试、监控等研发系统改造为AI可调用的工具和环境，使AI能自主获取反馈并独立运转。这种围绕自有环境资产的投入能与模型能力形成乘法效应，从而持续放大AI带来的生产力红利。
