在AI技术飞速迭代的当下，大模型相关开发工具正不断革新开发者的工作模式。Andrej Karpathy大神力荐的Vibe Coding（氛围编程）便是其中的佼佼者，这种“只需聊一聊，AI就能写出功能代码”的轻量化交互方式，极大提升了简单开发任务的效率，迅速成为开发者圈的新宠。但当我们将目光从简单功能开发转向复杂的系统构建，尤其是AI Infra（AI基础设施）这类高复杂度、高工程约束的领域时，Vibe Coding却常常陷入“水土不服”的困境，原本的效率优势被一系列问题稀释，甚至成为开发过程中的阻碍。

阿里妈妈技术团队在实践中发现，Vibe Coding应用于AI Infra开发时，核心痛点集中在三个方面。首先是上下文丢失问题，在多轮交互过程中，对话历史会被系统压缩，前期讨论的关键设计决策、架构思路会逐渐被遗忘，导致后续AI生成的代码与初始需求和核心设计脱节，出现“前言不搭后语”的情况。其次是决策偏离困境，AI Infra系统开发需要在架构选择、接口设计、错误处理策略等多个维度做出大量技术决策，这些决策往往需要结合业务场景、系统兼容性、性能需求等多重因素综合考量，而AI在自主决策时很容易偏离开发者的核心意图，生成的代码难以符合实际工程要求。最后是质量不稳定挑战，即便开发者提供了完整的需求描述，AI生成代码的质量也会出现较大波动，同样的需求在不同时间、不同交互语境下，可能得到截然不同的实现方案，这对于需要长期维护、高稳定性的AI Infra系统来说，无疑是致命的隐患。

深入剖析这些问题背后的根源，我们会发现核心矛盾在于AI Infra系统的复杂性与Vibe Coding原生特性的不匹配。AI Infra作为支撑AI模型训练、推理的核心基础设施，往往涉及数万行代码，包含成百上千个相互关联的决策点，这些决策点环环相扣，牵一发而动全身。而当前的Vibe Coding依赖于对话式交互，缺乏持久化、结构化的决策管理机制，模糊且不稳定的“氛围”难以支撑严肃复杂的基础设施开发工作。但这并不意味着Vibe Coding在AI Infra领域就毫无用武之地，其高效交互、降低编码门槛的核心优势依然具有重要价值，关键在于如何找到一种适配机制，让Vibe Coding能够适配复杂系统开发的需求。

基于这一思考，阿里妈妈技术团队联合阿里巴巴未来生活实验室与智能引擎团队，实践了一种文本驱动的Vibe Coding方法，核心思路是通过设计文档将所有关键决策体系化、持久化，让复杂系统的开发变得有章可循。这种方法的核心逻辑的是，将复杂系统的关键决策前置到设计阶段，开发者不再需要陷入繁琐的编码、调试细节，而是专注于高层设计决策的梳理与确认，通过结构化的设计文档与AI达成共识，之后由AI负责代码实现的细节工作。这种模式不仅能够实现“几乎不写一行代码，就可以完成复杂功能”的高效开发，更能通过详细的设计规范和代码逻辑约束AI的生成过程，确保最终实现符合预期，同时提升系统的健壮性。

理论的有效性需要通过真实场景的验证来佐证，而AI Infra中的资源调度系统，尤其是面向Agentic RL（智能体强化学习）的资源调度场景，正是一个理想的试验场。该场景下的系统是一个包含数万行代码的分布式训练系统，核心挑战在于GPU利用率的优化，涉及大量核心调度逻辑的改动，兼具高复杂度、强工程约束和真实业务价值，能够充分检验文档驱动的Vibe Coding方法的实际效果。要理解这一场景的复杂性，我们首先需要明确Agentic RL中的GPU利用率挑战到底体现在哪里。

在Agentic RL的采样过程中，随着智能体需要处理的任务越来越复杂，系统需要支持越来越高的交互轮数，让智能体有足够的时间与环境交互以学习复杂任务的处理逻辑。但这一趋势却给GPU资源调度带来了显著挑战，核心问题出在智能体执行任务的时间分布特征上。实际采样过程中，智能体执行任务的时间呈现典型的长尾特征，绝大多数样本能够在较少的交互轮数内快速完成采样并得出结果，而只有少数复杂样本需要执行到最大轮数限制才能终止。这种极不均匀的执行分布，成为了GPU资源高效利用的核心瓶颈。

这一问题的本质，是分布式计算中经典的“落后者效应”（Straggler Effect）。在分布式训练流程中，无论有多少样本已经完成采样，系统都必须等待最慢的那个样本执行完毕，才能进入下一个阶段。这种等待过程不仅成为了整个训练流程的性能瓶颈，更造成了大量GPU资源的浪费——很多GPU在快速完成自身任务后，只能处于闲置状态等待长尾样本，宝贵的计算资源无法得到有效利用。为了解决这一问题，业界已经形成了两种主流的解决方案，但这两种方案都存在根本性的缺陷，无法从根本上突破GPU利用率的瓶颈。

第一种方案是共置方案，采用严格的串行执行策略，所有GPU首先统一投入rollout（采样）阶段，等待全部样本采样完成后，再统一切换至training（训练）模式。这种方案的效率问题十分突出，主要体现在两个方面。一方面是阶段内的资源闲置，在rollout阶段，由于落后者效应的存在，大量GPU在完成短样本的采样任务后，就进入了漫长的闲置等待状态，无法参与后续工作，资源利用率大打折扣。另一方面是阶段间的严格串行限制，rollout和training两个核心阶段完全无法并行执行，training阶段必须等待rollout阶段完全结束才能开始，这就导致整个训练迭代的时间被显著拉长，无法实现高效迭代。

第二种方案是异步分离方案，通过静态分配专用的rollout GPU和training GPU，实现流水线并行。从理论上来说，这种方案能够缩短单轮迭代的时间，但在实际应用中却引入了严重的“双边空泡”问题。在rollout侧，短样本快速完成采样后，rollout GPU会进入闲置状态，等待长尾样本执行完毕才能开始下一轮工作；在training侧，训练任务完成后，需要等待新一轮的rollout数据生成，training GPU同样会处于闲置状态。这种双向的资源闲置，使得理论上的并行优势在实际运行中大打折扣，GPU利用率依然无法得到有效提升。

针对这两种方案的缺陷，我们提出了时分复用方案，通过GPU池动态分配机制，从根本上解决GPU资源闲置的问题。这一方案的核心创新，基于一个关键洞察：在异步训练过程中，rollout对GPU资源的需求呈现明显的动态波动特征。具体来说，在training触发前，大量样本已经进入完成阶段，系统处于样本数目的低谷期，此时对GPU资源的需求自然下降；相反，在训练结束后，新一轮的大量样本会涌入系统，对GPU资源的需求会急剧激增，形成明显的高峰期。基于这一波动规律，我们设计了智能资源调度机制，在采样需求低谷期，将部分GPU资源分配给训练任务，从而实现需求波动与资源调度的有效匹配，让GPU资源在不同阶段都能得到充分利用。

为了实现这一设计理念，系统采用了两阶段执行流程。第一阶段是全力采样阶段，所有GPU协同处理大多数样本，快速推进系统至需求低谷状态。当采样完成度达到训练要求时，系统会执行缩容操作，释放固定数量的rollout GPU资源，并将其转入训练模式。第二阶段是并行执行阶段，被释放的GPU专门执行训练任务，充分利用低谷期的闲置资源；而剩余的GPU则继续处理长尾样本，确保采样任务不会中断。当训练任务完成后，系统会立即执行扩容操作，回收所有GPU资源，恢复全力采样状态，为应对下一轮的需求高峰做好准备。这种基于工作负载特征的智能时分复用策略，并非简单的资源分割，而是将训练的快速执行特性与rollout的需求波动在时间维度上进行巧妙匹配，从而实现整体GPU资源利用效率的提升。

以4GPU系统为例，通过对比共置方案、异步分离方案和时分复用方案的任务执行时间线，能够清晰地看到时分复用方案的优势。共置方案中，4GPU先全部执行rollout任务，等待所有样本完成后再执行training任务，整体耗时最长；异步分离方案中，2GPU固定执行rollout，2GPU固定执行training，但双方都会出现闲置等待的情况；而时分复用方案中，4GPU先全力执行rollout，当达到训练触发条件后，2GPU切换至training模式，与剩余2GPU处理长尾样本的过程并行，整体耗时显著缩短，GPU利用率大幅提升。

值得注意的是，时分复用方案的核心挑战在于系统复杂度的显著提升。为了追求更高的性能，需要设计精细复杂的控制机制，这些机制在分布式高并发的系统中实现起来尤其困难。相比共置方案的串行执行和异步分离方案的静态资源分配，时分复用方案的动态调度引入了诸多技术难点，比如分布式环境下的精确同步控制、扩缩容操作的原子性保证，以及并发场景下样本状态的无缝迁移等。在一个包含数万行代码的分布式RL系统中，仅仅依靠手工编码来实现这些复杂逻辑，不仅开发周期长，而且很容易引入隐蔽的状态不一致bug，传统的开发方式已经难以应对这种“高价值、高复杂度”的功能迭代需求。也正是在这一背景下，我们创新性地采用了文档驱动的Vibe Coding方法论，通过系统化的设计文档驱动开发流程，试图在提升开发效率的同时，保证代码质量和系统稳定性。

前文提到的Vibe Coding三大痛点，上下文丢失、决策偏离、质量不稳定，其根源都指向同一个问题，那就是缺乏持久化、结构化的决策管理机制。要理解设计文档如何解决这一问题，我们首先需要明确代码实现的本质——代码并非孤立的指令集合，而是由成百上千个相互关联的决策点构成的有机整体。从顶层的架构选择、接口设计，到底层的变量命名、错误处理，每一个决策都影响着最终的代码质量和系统性能。在理想情况下，如果AI已经掌握了完整的代码改动逻辑，比如代码迁移任务，它可以直接复制执行这些修改。但在实际开发中，我们需要解决的往往是全新的问题，比如本文中的“训练-推理时分复用优化”功能，此前从未有过成熟的实现方案，AI也无法直接获取可参考的代码逻辑。

既然没有现成的代码可以参考，那么退而求其次，如果我们能够系统化地枚举出所有决策点，明确每个决策的核心要求和约束条件，AI就可以按照这些明确的决策逐步生成代码。而设计文档，正是实现这一目标的关键工具。它通过结构化的方式，将高层的设计思路逐步细化为具体的代码改动方案，完整记录每一个决策点的思考过程、选择依据和最终结论。经过程序员审阅的设计文档，意味着人与AI在关键决策上达成了一致，这就从根本上解决了Vibe Coding的三大痛点：持久化的文档消除了上下文丢失的问题，明确的决策点避免了AI偏离开发者意图，标准化的规范和清晰的代码逻辑确保了生成代码的质量稳定。

这种模式带来了工作方式的根本转变，开发者的核心工作不再是编码、调试、测试等执行层面的任务，而是转向与AI讨论设计方案，通过设计文档明确各个决策点，直到双方完全对齐认知，之后由AI负责具体的代码实现。同时，设计文档还会记录实施进度、遇到的问题及解决方案，确保整个开发过程的可追溯性。更重要的是，设计文档本身也可以由AI辅助管理，开发者只需要把控核心决策，AI可以协助完成文档的结构化组织、细节补充和迭代优化，大大降低了设计文档的编写门槛，提升了整体开发效率。

为了更清晰地对比这种新模式与传统开发方式的差异，我们可以从工作流程、核心角色、效率表现、质量保障四个维度进行分析。传统的手工编码模式中，开发者需要独立完成从设计到编码、调试、测试的全流程工作，效率较低，质量依赖个人经验；传统的Vibe Coding模式中，开发者通过对话与AI交互，直接生成代码，效率较高但质量不稳定，上下文易丢失；而文档驱动的Vibe Coding模式中，以设计文档为核心，开发者把控决策，AI负责编码，既保证了效率，又通过标准化的决策管理确保了质量，同时解决了上下文丢失的问题。三种开发方式的优缺点对比十分明显，文档驱动的Vibe Coding模式，无疑更适合AI Infra这类复杂系统的开发需求。

在明确了设计文档的必要性后，我们需要建立一套系统化的方法论来指导实际操作，这就是设计文档驱动开发方法论。这种方法论不仅仅是简单的编写文档，更是一种全新的开发范式，核心在于通过结构化的文档组织决策过程，通过迭代审阅确保决策质量，通过分步实施降低实现风险。整个方法论将复杂的系统开发问题分解为三个可管理的环节：内容组织、审阅修改、分步实施，每个环节都有明确的操作流程和质量标准，确保整个开发过程的可控性和可预测性。

首先来看流程概览，设计文档的审阅是一个迭代优化的过程，需要人和AI协同配合来确保文档质量。我们建立的系统化审阅流程，通常包含四个步骤：第一步是开发者提出初步的设计思路和核心决策点，形成文档初稿；第二步是AI根据初稿，补充细节内容，完善决策体系，形成第一版完整文档；第三步是开发者逐章节审阅文档，指出其中的问题、不合理的决策及改进方向；第四步是AI根据开发者的反馈，修改完善文档，并同步调整后续章节的相关决策，确保文档内部逻辑一致。之后重复第三、四步，直到文档达到实施标准，双方在所有关键决策点上达成共识。

在内容组织环节，核心是开发者与AI共同完成决策体系的构建。如前所述，代码实现的结果是由一系列自顶向下的决策决定的，顶层的关键决策包括新功能如何融入已有架构、核心流程如何设计等，底层的决策则包括是否需要增加成员变量、接口参数如何定义、错误处理如何实现等。组织设计文档的核心目的，就是系统性地跟进这些决策点，并逐步完善解决方案。由于底层决策往往依赖于顶层或上层决策，设计文档需要层次化地拆解决策，形成清晰的决策体系。开发者需要按照章节的先后顺序和目录层次结构，审阅文档中的自顶向下的决策过程，当指出前面顶层设计的错误时，AI会自动修改后面章节的中层和下层决策，以保持文档内部逻辑的一致性。

具体来说，我们的设计文档模板包含六个核心部分：第一部分是功能概述，明确新功能的核心目标、应用场景和价值；第二部分是架构设计，阐述新功能如何融入现有系统架构，核心模块划分及模块间的交互关系；第三部分是核心流程设计，详细描述新功能的关键执行流程，包括正常流程和异常流程；第四部分是接口设计，定义需要新增或修改的接口，包括接口参数、返回值、数据类型等；第五部分是实现细节设计，细化每个接口和核心函数的实现逻辑，明确关键决策点；第六部分是实施计划，规划代码实现的步骤、依赖关系和验证标准。这种结构化的模板，能够确保设计文档的完整性和逻辑性，为后续的开发工作奠定坚实基础。

在审阅修改环节，核心挑战在于如何高效解决审阅过程中反复出现的场景化问题。前文描述的逐章节审阅对齐的过程，在理论上已经完备，但在实践中会遇到一系列挑战，比如AI对现有系统架构的理解不充分，导致设计方案与现有系统不兼容；或者对复杂决策点的考虑不全面，遗漏关键约束条件；又或者文档中的决策逻辑存在矛盾，无法指导实际编码。为了应对这些挑战，我们建立了多层次的文档质量保证机制，其中最核心的是复用iFlow CLI的prompt模板。

iFlow CLI是阿里巴巴未来生活实验室推出的一款终端AI智能体，支持通过自然语言进行交互，能够高效分析代码仓库、完成各类编程任务，并准确理解特定的上下文需求。由于审阅过程中的很多场景会反复出现，我们利用iFlow CLI的Sub Command功能，将不同场景的指令逻辑固化成了自定义的prompt模板。比如，针对“设计方案与现有系统架构不兼容”的场景，我们制定了专门的prompt模板，明确要求AI在修改设计方案时，必须先分析现有系统的架构约束，确保新方案能够无缝集成；针对“决策逻辑不全面”的场景，模板会引导AI从业务需求、性能要求、兼容性、错误处理等多个维度完善决策逻辑。通过这些固化的prompt模板，能够显著提升审阅修改的效率，确保设计文档的质量。

当设计文档完成所有API和实现细节的设计后，就进入了实施阶段，核心是如何将设计转化为可执行的代码。这一转化过程分为两个阶段：首先规划实施步骤，然后进入AI辅助的增量开发循环。规划实施步骤的核心目标，是将设计文档中定义的方法拆解为依赖有序的小步骤，降低单次开发的复杂度，同时便于验证和回退。我们首先会分析每个方法的依赖关系，识别底层辅助方法和高层协调方法之间的依赖，绘制出完整的依赖图。在拆解步骤时，我们遵循“每步越小越好”的原则，通常一个步骤包含3-5个相互关联的方法，避免单个步骤包含过多方法导致难以验证。

步骤的排序严格遵循依赖关系：第一步通常是基础设施的搭建，包括配置文件、常量定义、基础类的实现等；第二步到第N步按照从底层到高层的顺序排列，逐步实现核心业务逻辑；最后一个步骤负责功能集成和端到端测试。每个步骤都定义了清晰的验证点和测试用例覆盖范围，确保每个步骤完成后都可以独立验证，一旦出现问题能够快速定位并回退。规划完成后，我们会得到一个清晰的依赖图，这个依赖图会成为后续增量开发的核心指导，确保开发过程有序推进。

规划完成后，就进入了增量开发循环阶段。对于每个步骤，AI首先会读取实施计划中该步骤的目标和依赖关系，以及设计文档中相关方法的签名和实现细节，然后按照docstring的要求生成具体代码，同时将设计文档中预留的验证占位符展开为实际的验证逻辑。AI完成编码后，会自动更新实施计划中该步骤的状态，将方法从“未开始”改为“已完成”。接下来是人工代码审查环节，我们使用IDE的本地历史功能查看当前步骤的代码改动，重点检查代码是否符合设计文档的要求、是否正确实现了验证逻辑和断言、是否存在明显的bug。如果发现问题，会进行小范围修正，或者进入专门的错误处理流程；如果审查通过，就创建一个git提交，提交信息遵循“Step N：[步骤描述]”的格式，然后继续下一个步骤，重复这个循环直到所有步骤完成。

在分布式AI训练环境中，系统的健壮性至关重要，微小的错误都可能触发级联故障，而异步操作和资源调度的复杂性，使得问题追溯变得十分困难。更糟糕的是，AI编程往往倾向于主动做错误处理，这种“善意”的处理机制有时会弄巧成拙，掩盖了真实的错误信息，导致问题定位更加复杂。我们真正需要的是防御性编程，让错误主动暴露而不是被掩盖，从而快速定位并解决问题。然而，传统的防御性编程开发繁琐，在进度压力下常常被开发人员选择性忽略，导致系统健壮性完全依赖个人自觉。

为了解决这一问题，我们将防御性思维前置到设计阶段，通过三个核心手段实现系统健壮性的提升：建立统一的验证模式库、在设计阶段进行验证标注、由AI自动展开验证逻辑。首先，我们维护了一个包含常用验证模式的库，每个模式都有唯一的ID和标准化的实现，遵循“单一定义，多处复用”的原则。当需要在代码中增加某个验证逻辑时，只需在注释中加入模式库中的对应ID，AI在实施时会按ID查表展开，确保整个代码库中相同验证逻辑的一致性。其次，在设计文档的实现细节部分，我们不直接编写完整的验证代码，而是用标准化的注释标注验证需求。比如在shrink_sampler函数中，通过VALINTRANGE标注GPU列表的合法性验证，通过ASTPOSTCONDITION标注返回结果的有效性检查，这种标注方式既清晰表达了验证意图，又保持了设计文档的简洁性。最后，当AI根据设计文档生成代码时，会自动将标注中的模式ID展开为具体的验证逻辑，参数范围验证会展开为完整的条件检查语句，后置条件会生成带有详细错误信息的assert语句，这种自动展开机制避免了人工编码时的遗漏和不一致。

对于超过10行的复杂验证逻辑，内联展开会让代码变得臃肿难读。针对这类复杂验证，我们在设计文档中定义专门的验证函数，详细描述验证项、错误处理策略和返回结果。比如_validate_gpu_allocation函数，专门负责验证GPU分配逻辑的完整性，包括检查目标GPU列表非空、确保GPU ID在有效范围内、验证GPU资源是否可用等。在实施计划中，我们会安排专门的步骤来实现这些复杂验证函数，为后续的核心逻辑步骤提供坚实的基础，确保整个系统的健壮性。

理论和方法论的价值，最终需要通过生产环境的验证来体现。为了检验时分复用方案的实际效果，同时验证文档驱动的Vibe Coding方法论的可行性，我们在生产级别的大规模集群上开展了专项实验。实验环境采用160卡GPU集群，选择了具有代表性的SWE Agentic工作负载作为测试场景，这种工作负载能够充分模拟真实的智能体强化学习任务。模型方面，我们使用了Qwen3-235B-A22B，这是一个具有2350亿参数规模、220亿激活参数的大规模语言模型，其训练过程对计算资源的需求极高，能够充分体现真实生产环境的计算压力。

为了模拟真实的智能体长时交互场景，我们将实验中的最大交互轮数设置为100轮，最大token长度为64K，batch size设置为512。同时，我们将异步训练的async ratio设置为1，这种配置能够最大限度地还原真实生产环境的复杂性和挑战性。在对比方案设置上，我们将时分复用方案与传统的异步分离方案进行对比，其中基准方案（baseline）采用128卡用于training、32卡用于rollout的静态分配策略，而时分复用方案则采用128卡training、160卡rollout的动态调度策略，通过动态调整GPU资源的分配，实现资源利用效率的优化。

实验结果显示，时分复用方案的rollout吞吐率相比基准方案提升了3.5倍。从任务执行时间线来看，时分复用方案的rollout阶段几乎始终比完全分离的基准方案更快，甚至在某些情况下，训练任务无需等待rollout阶段完成即可开始，整体性能提升十分明显。这一结果充分证明了时分复用方案在提升资源利用效率方面的优势，通过动态调度GPU资源，有效解决了传统方案中存在的资源闲置问题。

更值得关注的是任务完成率的提升。在基准方案的完全分离模式中，由于rollout资源受限，仅有32卡用于采样任务，导致采样速度较慢，大量任务触发了环境默认的超时限制，采样轨迹的timeout比例居高不下。而时分复用方案通过动态释放更多GPU资源用于rollout任务，显著加快了采样速度，完全避免了timeout情况的发生，不仅提升了整体训练的稳定性，更提高了样本的利用效率。在大规模强化学习训练中，样本的有效利用直接影响模型的训练效果，timeout比例的降低能够让模型获得更充分的训练数据，从而提升模型性能。

在评估一个新方案时，除了关注性能提升，还需要仔细分析其引入的系统开销，确保方案的整体可行性。我们对时分复用方案的系统开销进行了详细分析，主要包括参数同步开销和缩容操作开销两个方面。参数同步开销方面，由于时分复用方案需要在更多的GPU之间进行参数同步，相比基准方案会产生额外的通信开销，但通过实际测试发现，这一开销在整体训练时间中占比极小，不足1%，对整体性能几乎没有影响。

缩容操作的开销主要来自于rollout模型参数的offload过程。当系统需要将部分GPU从rollout模式切换到training模式时，需要从显存中将rollout参数释放，为训练任务腾出显存空间。实测数据显示，这一过程的耗时在秒级，通常在2-3秒之间。尽管这一操作引入了额外的同步点，但由于缩容操作的开销极低，且只会在阶段切换时执行，因此并未成为性能瓶颈。综合来看，时分复用方案通过智能的资源调度策略，在引入极小系统开销的前提下，显著提升了GPU利用率和训练效率，特别是在降低timeout率方面表现突出，充分证明了该方案在大规模Agentic RL训练中的实用价值。

本文所呈现的成果，是ROCK & ROLL团队使用iFlow CLI在开源框架实践中的探索成果，后续相关功能将持续迭代并陆续发布。ROCK & ROLL团队由阿里巴巴未来生活实验室与智能引擎团队联合打造，核心使命是开拓强化学习（RL）的未来，探索面向未来的创新生活方式。其中，ROLL是一个灵活高效的Agentic RL训练框架，支持从十亿到千亿参数大模型的优化训练，能够满足不同规模强化学习任务的需求；ROCK则是一个易用、可扩展的沙箱环境管理器，可在分钟级内拉起海量环境，为强化学习训练提供高效的环境支撑。

我们始终坚持工程系统与算法协同创新的理念，一方面深耕强化学习算法研究，不断提升模型的性能和效率；另一方面注重工程化落地，通过优化基础设施、开发高效工具，为RL在不同场景中的规模化落地提供坚实支撑。同时，我们持续关注RL社区的发展，积极分享开源实践，希望与社区开发者共同推动强化学习技术的进步。iFlow CLI作为我们自主研发的终端AI智能体，正是这一理念的具体体现，它能够通过自然语言交互，帮助开发者高效完成各类编程任务，将复杂工作流自动化，显著提升开发者的工作效率。

AI Infra的开发之路充满挑战，复杂的系统架构、严苛的工程约束、高昂的开发成本，都成为了技术落地的阻碍。而文档驱动的Vibe Coding方法论，为我们提供了一种全新的解决思路，通过设计文档将复杂决策体系化、持久化，实现了开发者与AI的高效协同，既发挥了Vibe Coding的高效优势，又解决了其在复杂系统开发中的痛点问题。时分复用方案在大规模Agentic RL训练中的成功实践，不仅验证了该方法论的可行性，更为AI Infra领域的高效开发提供了可借鉴的范例。