我们是怎么把 AI 协作开发从一团乱麻，变成一套真正能用的东西的

我们是怎么把 AI 协作开发从一团乱麻，变成一套真正能用的东西的

事情的起点

回想最初引入 AI 辅助写代码那会儿，团队的状态相当典型：

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

几乎每个人都有一套自己的“独门秘籍”。有人习惯给 AI 列一份事无巨细的需求清单；有人偏好直接扔过去一段代码让它修改；还有人干脆一句话描述，就让 AI 自由发挥。结果呢？同一个项目里，代码风格五花八门，差异巨大。更头疼的是，AI 每次接到新任务，都像初次见面，得重新“了解”一遍项目背景，反复回答同样的问题。

当多个 AI 同时处理不同模块时，混乱就升级了——一个在调整前端逻辑，另一个在改动后端接口，彼此不知对方动了什么，代码冲突成了家常便饭。

出了问题之后，复盘也异常困难。AI 的“记忆”在会话结束后就清零了，上次做了什么决策、踩了什么坑，全凭开发人员自己回忆，记不清也就只能不了了之。

这些问题积累下来，一个核心洞察逐渐清晰：问题往往不在 AI 本身，而在于我们没能为它提供一个好的工作环境。

第一步：把知识存下来

我们最先着手解决的，是把那些散落在聊天记录、个人笔记和代码注释里的碎片信息，整合成一个真正可用的共享知识库。

这可不是那种建完就无人问津的文档库——而是一个所有 AI 智能体在启动时，都会主动去“阅读”的地方。项目规范、曾经踩过的坑、可复用的代码片段、关键的技术决策、乃至配置模板，全都集中存放在这里。

这个知识库瞄准的核心痛点就一个：确保 AI 每次开始工作，都不是从零起步。

效果是立竿见影的。过去，每开始一个新任务，AI 都要耗费大量时间重新熟悉上下文；有了知识库之后，它直接就能掌握这个项目用的什么技术栈、命名规范如何、上次遇到类似问题是怎么解决的，效率提升肉眼可见。

第二步：解决工作流的问题

知识库搭建起来后，另一个问题又浮出水面：AI 的工作方式，与项目任务本身的复杂度严重不匹配。

有时候，一个简单的 Bug 修复，AI 却花了半小时去撰写详细的规划文档；而另一些需要仔细设计的功能，AI 却仅凭两句话描述就草草开始编码。这两种情况都会导致问题：前者浪费了时间，后者则必然带来返工。

经过大量实践摸索，我们最终归纳出一个简单却有效的判断标准：预估这件事需要花费多长时间。

基于这个标准，我们形成了三层处理逻辑：

后来，我们将这套逻辑固化下来，形成了一套标准化的工作流，称之为枫林工作流。它的核心框架非常清晰，就四个阶段：

理解 → 规划 → 执行 → 沉淀

关键在于，每个阶段的执行深度，会根据项目规模自动调整，避免了“一刀切”带来的僵化。

枫林工作流：四个阶段在干什么

理解（5分钟）

这个阶段的目标不是让 AI 立刻开始输出代码，而是先厘清两件最基本的事：需求到底是什么？以及，这件事的规模有多大？

要求一次性问清楚所有关键信息，避免来回反复的追问。然后，基于这些信息给出一个初步的复杂度判断，从而决定后续流程该如何展开。

规划（0 到 10 分钟）

对于小事：口头简述计划，获得确认后即可执行。

对于中等项目：撰写一份简明的方案，记录核心目标、实施步骤、预计耗时和主要风险点。

对于大型项目：则需产出完整的规划文档，涵盖技术选型、详细执行步骤、明确的验收标准等，待评审通过后方可开始。

这里有个重要原则：能口头沟通就不用书面，能简单描述就不用复杂文档。规划阶段所花费的时间，原则上不应超过项目总预估时间的10%。

执行

严格按照既定方案推进。但审查力度因人而异：涉及用户数据或支付等敏感操作，必须引入安全审查；处于性能关键路径的代码，则专门过一遍性能检查；普通的增删改查任务，AI 自我审查通常就足够了。

换句话说，不是所有任务都需要走完一套完整的审查流程，按需触发才是高效的关键。

沉淀（自动）

每次任务或项目结束后，系统会自动将关键决策、遇到的问题及其解决方案记录下来。这个过程无需人工额外整理，却能确保下次遇到类似情况时，有据可查，有例可循。

真实项目里的样子

案例：Chat-Hub 消息聚合服务

这个项目的目标是将钉钉、Telegram、Discord 等多个平台的消息统一聚合，为 AI 提供一个标准化的消息接口。技术栈上采用了 Redis 配合 WebSocket，评估下来属于中等复杂度。

实际执行时，理解阶段花了5分钟确认需求范围；规划阶段撰写了一份简要方案（包含架构图、主要步骤和预计时间表），然后进入执行。由于涉及多平台 SDK 集成，专门增加了一轮集成测试。最终，MVP（最小可行产品）在一周内顺利跑通。

目前，我们已经将这套方法论和配套工具进行了开源，主要包含两个核心部分：

枫林工作流（fenglin-workflow）

这里提供了工作流的完整说明文档，包括四个阶段的详细指引、适配不同项目规模的三变钱成模板（简单/中等/复杂）、三个真实项目案例参考，以及一个实现自动化沉淀的脚本。

项目知识库（project-kb）

这是一个结构化的代码资产库。里面收纳了12个即拿即用的代码片段（涵盖常用按钮、弹窗、Socket Hook、表单校验、防抖节流等）、3个完整的可复用业务模块（如认证、表单、消息通知）、3套项目配置模板，外加一套 CLI 工具。使用 CLI，可以一条命令完成知识库初始化、片段搜索和智能推荐。

所有这些资产都提炼自真实项目，经过实践检验，稍作修改就能融入你的工程。

用法

上手使用非常简单：

git clone https://gitee.com/hongmaple/agent-academy.git

将仓库中 skills/fenglin-workflow 和 skills/project-kb 这两个目录，复制到你自己的项目下的 .workbuddy/skills/ 路径中。之后，只需告诉你的 AI 助手“加载枫林工作流”即可。

项目完整地址：https://gitee.com/hongmaple/agent-academy

一点后记

必须说明的是，我们并非意在推销一套刻板的标准流程，要求所有人都按同一套模式工作。

这套体系背后，其实只有一个朴素的想法：让 AI 在你的项目里拥有记忆、遵循规矩、掌握方法，而不是每次都面对一张白纸，从头开始。

用或不用，具体怎么用，完全可以依据你的实际场景来定。如果你在使用过程中发现任何可以改进的地方，或者有更好的想法，非常欢迎提交 Issue 甚至直接贡献代码。

毕竟，知识库这类东西，用的人越多，贡献的内容越丰富，它的价值也就越大。