个人效率跃升到团队效能突破：小米AI编程工程化实践探索

AI时代下，研发团队如何突破个体提效瓶颈？小米零售团队通过三层工程实践，揭示组织级AI落地的关键路径。

借助 AI，每个研发个体都变快了，但组织并没有变快。

我们也是在把 AI 工程化推到数百人规模后，才真正看清这个瓶颈所在。编码效率被大幅拉升，但需求转述的损耗、决策回流的延迟、上下文在终端间的散落，反而成了更明显的阻碍。

要解的不再是“个人怎么用 AI”，而是“组织怎么用 AI”。本文由小米零售研发团队分享我们的三层工程实践——统一工作流、知识沉淀、协作透明——以及一个核心判断：工具会换代，但知识与协同一旦沉淀，就是 AI 时代最难被复制的组织能力。

01

统一工作流：从个人到团队

AI 不够聪明不是瓶颈，让人先用起来才是。降低门槛，比提升上限更重要。

▍自由探索期与瓶颈

在AI推广初期，团队成员各自尝试不同工具，导致效率差异显著。部分成员快速掌握AI工具实现效率飞跃，而另一部分则因使用困难回归传统方式。这种个体差异凸显出团队整体提效的关键不在于少数人的突破，而在于建立普适性方案。

▍VAF：从带菜单的工作流到汇聚协调模式

我们开发了VAF系统，通过预设流程降低使用门槛。用户只需执行Markdown文件即可获得引导式菜单，无需理解底层技术细节。这套系统将复杂决策转化为简单的菜单选择，并实现了自动化产物管理。

VAF 2.0版本引入了汇聚协调机制，支持多服务并行开发：

1. 需求采集等前置阶段实现共享
2. 各服务独立推进开发工作
3. 关键节点进行集中评审
4. 依托Git实现跨机器状态同步

我们建立了差异化流程体系：

流程	核心阶段	场景侧重
后端	需求采集 → 技术方案 → 代码开发 → CR → 部署	多服务协调/跨服依赖
前端	准备 → 设计 → 实现 → 测试 → 交付	设计还原/循环校准
测试	准备 → 分析 → 设计 → 执行 → 报告	测试左移/产物可视化

02

代码知识库：让 AI 懂业务

给 AI 更多代码，不如给它一个知识索引。知识索引比代码灌入重要。

▍VKF 1.0：一次正面的失败

初期尝试将代码转换为文档供AI使用，但发现存在三层信息损失：代码到文档的转换失真、文档到任务的推理偏差、以及错误难以验证的问题。

▍VKF 2.0：知识索引的设计与机制

改进后的VKF系统专注于构建代码索引而非解释代码，其工作流程分为：

1. 结构化扫描关键代码路径
2. 专家人工修正领域划分
3. 按业务领域聚合相关知识

我们推动知识结构化建设：

1. 整合数字化文档并结构化
2. 规范PRD输出格式
3. 在产品阶段引入AI辅助

03

协作工作台：让过程可见

每个人用好 AI 还不够，并行协作与过程透明才是组织提效的关键。

▍VAF + VKF 之后还缺什么？

虽然个体效率提升，但团队协作仍存在信息孤岛问题。需求理解偏差、决策过程不透明等问题凸显协同机制的重要性。

▍eight-claw 的四类入口

我们开发了多入口协作系统：

入口	定位	场景
私聊	串行轻量入口	临时需求/个人推进
工作台群	需求总控台	需求发起/总览
需求协同群	并行协作空间	多人/多任务协作
本地面板	运行可视化	任务/引擎管理

04

设计原则与下一步

我们总结出四条核心原则：

1. 优先降低使用门槛而非追求上限
2. 构建代码索引辅助AI理解
3. 注重过程透明而非单纯提速
4. 沉淀知识与协同机制

从个体提效到组织协同，AI工程化的关键在于建立可复用的知识体系和透明的协作机制。这不仅解决了当下的效率瓶颈，更为团队积累了持久的竞争优势。