AI编码不是一个新话题，业界已有诸多实践，如外部的cursor、GitHub Copilot、bolt.new、cline，内部的oneday、weavefox等等一系列的平台或工具，都提供了AI辅助编码的能力，但这些平台工具与现有的生产链路如何结合还存在极大的挑战：一是没办法很好的和现有研发流程进行集成，二是协作过程碎片化，有一定门槛。

本次演讲将从阿里业务研发场景出发，并结合真实的业务应用，阐述R2C（requirement 2 code）Agent如何从知识库+钉钉文档+设计稿驱动整个研发链路，带来系统性的效率提升，并分享其中的最佳实践。

演讲提纲

1. AI辅助编程的现状分析
2. AECP R2C Agent框架
3. 基于钉钉文档构建工程师的知识库
4. 阿里研发场景实操：MCP服务和Agent工作流驱动端到端的研发链路
5. AI编程最佳实践背后的坑有哪些
6. 实践效果分享

您认为，这样的技术在实践过程中有哪些痛点？

随着对 AI 的不断深入运用，在 R2C 场景中，即使是强大的 Claude 模型，依然面临以下问题需要tradeoff：

1. 准确性下降明显：随着输入信息增多，模型的注意力机制导致准确性下降，输出内容质量降低。例如，在处理复杂需求时，模型可能会忽略某些关键细节或误解需求意图。
2. 忘记任务要求：随着执行步骤增多，信息增加，模型容易"失忆"，不记得前面输入的准确要求。这在多步骤的开发流程中尤为明显，可能导致前后不一致的代码生成。
3. 执行速度下降显著：上下文增长后，模型响应速度显著下降，处理任务效率大大降低。在实际项目中，这可能导致开发流程被拖慢，影响整体效率。
4. 项目迭代提效：R2C Agent 能够有效提高项目0-1过程的开发效率，但项目迭代提效还需要继续探索，而影响大家运用Agent的原因大部分都是“场景复杂，不合适”。

您的演讲有哪些前沿亮点？

1. cline嵌套任务机制：改造cline的任务系统，支持父子任务。父任务负责任务分配，负责任务分配和结果审核，而具体任务执行交给子任务。这种分层架构可以减轻单个任务上下文的负担，提高整体效率和准确性。
2. 基于钉钉文档体系构建标准化技术方案：根据需求文档、接口文档、视觉稿产出标准化的技术方案，方案中包括页面组件划分、数据流向、状态管理，组件设计中包含组件功能描述、输入属性、相对于页面的定位信息，开发时根据技术方案和视觉稿进行开发，探索标准化的需求输入使生成的代码更加规范和高效。

听众收益

1. 了解阿里巴巴在AI编程方向的前沿探索技术和成果
2. 开拓一些新思路，用新方法如何解决AI编程集成到研发流程问题
3. Agent+MCP服务最佳实践