一、引言：“严肃场景”的AI Coding并非唾手可得

随着大模型技术的迅猛发展，AI Coding 已成为提升研发效率的关键手段。然而，在大型、复杂的生产系统中，直接使用通用 AI 编程模型往往陷入 "能用但不好用，可用但不可信" 的困境：

• 通用 AI 编程模型在单点、明确的任务（如函数补全、单元测试生成、简单逻辑实现）上表现尚可，但在复杂系统的开发中难以胜任

• 目前主流实践仍停留在 "vibe coding" 阶段——开发者凭直觉编写提示词，再通过人工整合与验证结果，效率与可靠性均受限

• 实际工程项目普遍存在模块高度耦合、质量要求严苛、上下文庞杂等问题，而通用模型缺乏对私有代码库规范与系统语义的理解

本文将分享阿里妈妈效果广告引擎团队在 AI Coding 领域的探索与实践经验。依托历时三年打造的 CommonAds 研发体系，我们构建了智能研发助手「元芳」，并通过集成至 IFLOW-CLI 以多 Agent 协同的方式，探索出一套可胜任于「严肃的广告引擎场景的高质量代码生成解决方案」，具体包括以下三个关键维度：

• AI Friendly的架构支持：CommonAds 研发体系在设计之初即具备良好的 "AI 友好性" ——模块解耦清晰、接口规范统一、上下文可追溯，为大模型生成高质量、高可靠性的代码提供了坚实基础。

• 规范驱动的多Agent方案：「元芳」代码生成体系的核心设计理念——"规范驱动、上下文工程、Agent优先"，在此基础上构建一整套规范体系，这是实现稳定、可控AI编码的根本保障。

• 工程化落地实践：通过 IFLOW-CLI 与 元芳 MCP Server 的深度集成，我们将上述理念转化为可运行、可扩展的工程能力。借助架构设计、能力沉淀与工具链闭环，真正实现了 AI Coding 在大型生产系统中的规模化应用。

本文完整作者：加比，零言，山衍，应灵，潇劼

二、前置探索：引擎代码资产的AI Friendly重塑是AI Coding的重要前提

1. AI友好的引擎架构

阿里妈妈效果广告投放已全面进入跨渠道时代，这意味着同一产品能力需在搜索、展示 等多个引擎中实现。面对大量跨渠道业务探索和迭代需求，传统的独立建设支持垂直业务发展的广告引擎1.0版本以及统一引擎基座的2.0版本已显得力不从心。

我们的做法是构建一个具备统一业务抽象且提供细粒度能力供复用的CommonAds层，来帮助各引擎间实现能力拉通，确保全域投放的一致性和高效迭代，进而最终走向各引擎全面拉通的3.0时代。

阿里妈妈效果广告引擎经过3年的建设，持续将内部多个广告引擎的能力进行沉淀、复用，最终形成了现在完善的CommonAds研发体系，其多层&解耦的架构天然具备 AI-Friendly 特性，是我们探索高质量代码生成的基石。

• 多层架构，职责清晰：

  • Util层：底层的通用工具层，包含各种框架能力、数据处理能力等

  • Helper层：对数据表的原子操作进行封装，以方便用户对表执行各种通用操作

  • 算子层：用户自定义算子，完成一个具体而独立业务逻辑的组装

  • 子图层：引擎外部可感知的图结构定义，实际代码部署的基本单元

• 核心优势，AI友好：

  • ✅ 每个层级职责单一，层内接口清晰。不互相耦合，只有调用关系

  • ✅ 代码细粒度、注释丰富，易于被大模型理解与生成

  • ✅ 任务拆解路径明确，避免"不知道在哪写、怎么写"的模糊地带

2. 与AI编码流程的完美契合

图1、CommonAds与AI编程的清晰对应关系

在此基础之上 ，我们建设了阿里妈妈-效果广告引擎的智能研发助手「元芳」，依托 CommonAds 清晰的体系架构和明确的编码规范来驱动大模型进行高质量代码生成。

基于「元芳」的代码生成能力，我们在近半年成功实现引擎中不少新增核心算子由大模型生成入库，初步验证了当架构和规范足够清晰时， AI 在大型系统中规模化编码的可行性。

三、整体方案：“减法”与“加法”是构建可信AI编程范式的核心

我们认为，真正的AI编码应该是严苛约束下的精准工程。「元芳」的核心逻辑在于：通过明确规范做“减法”，收敛大模型自由度以实现确定性；通过丰富上下文与多 Agent 架构做“加法”，沉淀领域知识并强化执行能力。在推进代码生成能力落地的过程中，我们构建了一套完整的解决方案，具体围绕3个设计原则和1套规范体系展开。

• 原则一：规范驱动

  • 核心理念： AI编码不是自由发挥，而是在严格编码spec（编码术语澄清、复用接口查询、接口编码规范 等等）指导下的增量开发

  • 正向循环： 规范驱动AI生成 → 分析生成效果 → 优化接口设计和编程规范 → 提升AI生成质量

• 原则二：上下文工程约束

  • 核心理念： AI的能力边界，由我们对工程体系的抽象深度和规范完备性决定，这些信息以各种形式的上下文加载给模型

  • 实现路径： 元芳的工作重心在于构建各类可查询、结构化的上下文知识库，并将其转化为模型可理解的提示词与验证规则

• 原则三：Agent优先

  • 核心理念： AI编码不是简单的代码生成工具，而是具备推理、规划、决策能力的智能体（Agent），以期最大程度释放大模型的智能

  • 价值释放： 传统模式止步于"prompt in, code out"，而Agent模式解锁了AI的系统性思维。它能处理模糊需求、应对复杂场景、在不确定性中寻找最优解，成为真正的智能研发助手

直接让大模型端到端地完成从需求到代码的生成是不切实际的。因此，我们将整个代码开发流程拆解为若干明确的阶段，每个阶段由专门设计的智能体（Agent）负责执行，并通过一系列上下文工程为其注入丰富且高度相关的上下文信息。这种多Agent协同的架构不仅提升了整个流程的可扩展性，也增强了其可解释性。

图2、多Agent合作的代码生成全流程

基于上述原则，我们构建了一套规范体系：为需求到代码的每个阶段都明确相关规范、可检索知识库和其他辅助信息，并将这些内容作为上下文动态加载至对应的Agent中。此举显著提升了各阶段输出的准确性与一致性，有效抑制了模型幻觉，使最终结果更贴合预期。具体来说包括：

• 研发过程拆解：需求判断 → 编码依赖 → 编码执行 → 风格对齐 → 单测完善

• 编码可见代码提取：筛选高质量、易复用的工具接口，用于模型代码生成时的功能复用

• 引擎编码基础知识：广告引擎中 子图/算子 等基本概念的澄清，确保正确生成/使用相关接口

• CommonAds编码规范：代码风格、颗粒度要求等，代码生成过程中遵循，并通过检查脚本强制约束

• CR记录的编码细节：历史CR信息抽取，作为编程规范的增量信息，针对性优化

• 单测接口使用：编写单测所用的统一接口，以及单测覆盖率统计脚本

图3、覆盖全流程的编码规范

四、技术实践：基于 IFLOW-CLI 与 MCP Server 的工程化落地

图4、元芳MCP Server架构

首先我们完成了开发环境适配，使得团队同学可以在开发机中使用IFLOW-CLI，并支持在IFLOW中执行代码编译、构建等必须的开发操作。

图5、在开发所用容器环境内使用IFLOW

基于IFLOW支持的 Tools、Hooks、Agents、Memory 等多种拓展形式将「元芳」的各种 编码计划生成、可用接口检索、编译验证、使用日志捞取 等等能力，进行实现和沉淀，并统一通过 元芳-MCP Server 部署。具体而言：

• Servers：广告引擎多个不同用途的MCP server通过元芳的自动化流程同步到用户IFLOW本地

• Tools：对于编码阶段所需的各类规范、所需要查询的各类引擎编码知识信息，这些基本能力我们都以工具形式统一提供。

• Agents：我们对于需要执行复杂流程，或者基于结果持续修复的需求，建设了一批Agents

• Hooks：元芳所涉及各类配置、功能的拉取和更新，用户使用日志的捞取和上传等都通过Hook进行实现

• Memory：沉淀CommonAds代码库一些框架知识、接口概念、引擎黑话等，避免用户重复输入给IFLOW

• 数据回收与分析：记录IFLOW和元芳的使用日志，再和最终入库代码做关联来统计AI浓度及分析编码效果

图6、MCP Tools示例

图7、Agents示例

五、全景演示：AI赋能从需求到代码的全链路闭环

接下来通过一个具体的示例来展示「元芳」完成 "从需求到代码" 的完整流程。

1. 需求说明：

子图：广告主 × 流量场景xxx参数调整能力
1. 背景与目标
当前观测到，在部分流量场景下 xxx参数存在低估，为优化商业效果，需在特定流量场景下，对符合条件的广告主进行参数调整，以优化广告展现效果。

2. 功能逻辑说明
系统需执行以下逻辑：
2.1 判断是否命中参数调整策略：
    ○ 根据当前请求的 流量场景 code 和 广告主id，组合生成 query_key，规则如下：
    ○ 查询广告主黑名单数据表，若 query_key 存在于表中，则跳过系数调整；
    ○ 若不在黑名单中，则继续下一步。
2.2 获取并应用参数修改：
    ○ 从实验参数配置中读取两个动态参数：
        ■ target_code：目标流量场景 code（整型）
        ■ ratio：参数提升系数（浮点型，如 1.3 表示参数 ×1.3）

    ○ 若当前请求的 流量场景 code 等于 target_code，则将原始算法参数乘以 ratio 作为最终参数；
    ○ 否则，保持原始参数不变；

需求的基本功能说明，作为给IFLOW的原始输入。

2. 整体流程：

首先，通过「编码计划生成Agent」根据用户输入的需求说明产出一份详细的编码计划，将其作为蓝图用于指导后续代码生成的全流程。

图8、编码计划生成Agent的system_prompt示例

图9、用户与Agent的交互流程示例

基于编码计划的产出规范，Agent根据用户的输入并与用户进行多轮交互，以确定需求所涉及的各种细节用于产出正确、完整的编码计划文档。在这一过程中，会额外调用「接口检索Agent」来针对本次任务涉及的功能在CommonAds代码库中找寻可复用的高质量接口：

图10、接口检索Agent

图11、接口检索Agent返回结果

完成上述流程后，已经获得了：详细的需求说明、完整的实现细节、可用的接口列表，再基于memory中CommonAds的编程知识、引擎黑话 等信息，「编码计划生成Agent」就可以产出一份详细、完整的编码计划：

图12、编码计划文档

产出的编码计划文档，其内容包括：详细的功能说明、输出输出表的结构、具体完整的执行步骤、可用接口列表、部分示例代码。 再基于这份编码计划，通过「代码生成Agent」生成对应的业务代码。

图13、代码生成Agent

图14、生成的python结果代码

图15、生成的c++结果代码

完成业务代码生成后，通过 「单测生成Agent」产出对应的单测。并通过调用「覆盖率验证工具」的方式给大模型提供「尝试-验证-纠错」的空间，以持续修复代码逻辑和提升单测覆盖率，保证了代码生成的质量。如下所示：

图16、生成的c++单测文件

图17、单测及覆盖率优化流程示例

图18、单测及覆盖率优化执行结果

完成上述流程后，进入提交代码CR前的最后一步：代码验证环节。通过「代码验证Agent」对于不符合CommonAds代码库入库要求的代码自动进行代码拆分&优化、统一代码风格 等处理，此时代码质量基本处于可入库的状态，即可进入人工CR环节。

图19、代码验证Agent执行结果

3. 最终效果：

• ✅ 代码风格与编程规范完全对齐CommonAds代码库

• ✅ 正确复用代码库中已有的高质量接口，避免重复造轮子

• ✅ 函数设计合理，保持细粒度。同时注释完整

• ✅ 单测风格统一，覆盖率高，有效验证各种场景的正确性和鲁棒性

• ✅ 除需求细节确认外，基本全流程自动化，用户介入少

六、未来展望：夯实AI-Friendly基础，延伸AI研发的“左右两端”

在夯实当前AI Coding能力的基础上，我们正从思路延伸与基础巩固两个维度同步推进，以构建更完整、更智能、更可持续的下一代研发体系。具体来说：

• 思路延伸：致力于实现端到端智能研发（需求 → 可实验分支）的完整研发流程，持续完善各类规范、建设&优化编码知识库、打通需求到部署的全流程自动化，并基于用户反馈持续迭代代码生成效果。

• 基础巩固：针对CommonAds代码库中部分历史代码可读性不足、耦合度高的问题，我们将采取“架构师主导、AI执行”的人机协同模式，通过批量重构核心支撑层来提升代码的可读性与易用性，并持续丰富知识库内容，使引擎代码更易于被AI理解与使用。

转载原文：https://mp.weixin.qq.com/s/JSqfxLxbAEkpIHt3_ESCXA

---

iFlow CLI官网http://​ https://cli.iflow.cn ​

iFlow CLI 开发者论坛https://vibex.iflow.cn

别再观望，立即安装，让 iFlow CLI 成为你最靠谱的代码合伙人~