AI Coding 工具能力持续迭代，但存在三大天然局限：缺乏企业私域认知（工程规范、业务上下文、共享依赖关系）、上下文窗口容量有限、生成结果具有概率性误差。当这类工具应用于缺少历史文档、技术栈碎片化、代码规模达几十万行的存量系统时，会暴露出全仓扫描 Token 消耗过高、同一功能实现风格不统一、修改一处引发关联故障、代码与文档不同步、研发过程不可追溯等诸多问题。这些问题无法通过模型工具的升级解决——根源不在模型侧，而在企业侧的知识与治理体系。

ADD（Asset-Driven Development，资产驱动开发）的核心思路，是将企业私域知识结构化为两套与代码同仓管理的资产：Framework 层的「技术宪法」明确「代码应当如何编写」的统一规范；Endpoint 层的「四件套」（时序、规则、不变量、索引）清晰定义「每个端点当前的业务逻辑」，且每个环节都绑定代码锚点。在此基础上，通过三套工作流（WorkFlow）定义 AI 在工程初始化、端点梳理、日常开发三大场景下的执行流程与禁行规则，并以单需求五阶段交付件归档机制，保障全流程可审计、可追溯。

本次分享将围绕三大阶段展开：第一阶段聚焦单个需求的精准交付；第二阶段通过架构度量，将目标从「功能实现正确」升级为「系统结构健康」，避免 AI 的快速交付异化为技术债的快速累积；第三阶段从资产驱动开发延伸至资产驱动测试与可执行流程，最终实现「需求输入、代码输出」的端到端自动化交付。分享会明确每个阶段的落地成果、推进路径与实践踩坑经验。

演讲提纲：

1. 为什么工具能力升级仍不足以解决核心问题
   • AI Coding 的三大天然局限：私域知识缺失、上下文容量受限、生成结果概率性误差，及其与大型存量系统现状的叠加效应
   • 上下文压缩的恶性循环：系统规模越大，AI 越容易丢失关键上下文
   • 核心结论：问题根源在企业侧，解决方案也必须构建在企业侧
2. ADD 框架全景：三套工作流、两类资产、一套交付体系
   • 两类核心资产：Framework 层按领域拆分的「技术宪法」（覆盖 Web 层、数据访问、消息队列、缓存、日志等领域，非功能约束内嵌于各专题）；Endpoint 层以 API、MQ 消费、定时任务为入口的「四件套」，配套全局统一的业务对象类图与接口契约
   • 全链路可追溯：从接口契约到时序步骤、代码锚点，再到业务规则与不变量，支持正向推导与反向溯源
   • 四方角色协同与四条核心铁律：改代码必同步更新资产、新增端点必先构建资产、修改共享组件必做影响分析
3. 第一阶段：单个需求的精准交付
   • 五阶段工作流：资产检索（仅读取资产、不扫描全量代码）、影响范围分析、资产前置变更、代码实现、双向校验
   • 跨端点涟漪分析：共享组件索引在梳理阶段自动维护，当引用端点数量超阈值时自动暂停，触发人工确认
   • 资产先行机制：先输出资产变更差异供人工确认意图，再执行代码修改；资产变更的审查成本远低于代码变更
   • 人机协同机制：确认节点设置原则、校验脚本与 Git Hook 的兜底方案、交付件归档如何支持会话中断后的续接
   • 降本提效原理：将开放式生成转化为「查表+填空」的确定性推理，同时明确 ADD 方案的适用边界
4. 第二阶段：架构腐化的防控与治理
   • 现状与缺口：ADD 已在资产中定义了结构约束（依赖方向、数据所有权、不变量），缺少的是合规性校验与架构健康度的度量反馈闭环
   • AI 引发架构腐化的五大风险：局部样例模仿导致风格异化、加法偏好引发冗余膨胀、设计意图未纳入上下文、变更吞吐与审查节奏不匹配、验证逻辑迎合当前验收标准
   • 四维治理视角+一横切维度：代码质量、端点与契约、数据资产、技术组件，叠加设计意图与系统现状的偏离度可追溯
   • 落地执行路径：从架构主张到仓库适用规则，再到可落地的检查证据；特殊场景采用例外登记而非放宽规则；存量系统问题先分类治理，增量变更严格执行门禁管控
   • 机械信号与模型判断的边界：代码克隆不等同于知识重复，规则声明不代表实际运行生效
5. 第三阶段：迈向「需求输入、代码输出」的端到端交付
   • 现状复盘：编码环节已相对成熟，自测环节是当前体系最薄弱的一环，过程合规不代表质量达标
   • 资产驱动测试：业务规则、不变量、接口契约本身就是天然的测试断言来源，将其转化为可执行测试，才能为自修复循环提供输入
   • 流程升级：从「给模型读取的散文式流程」转向「可被程序执行的流程图式流程」，实现流程定义与执行分离、状态可落盘、循环逻辑显式化
   • 端到端交付的边界与验收标准：明确人工必须参与的环节，以及可完全自动化的环节
6. 落地实践：效果、踩坑与未来方向
   • MVP 落地节奏：1 周完成框架初始化、3 周完成核心端点梳理、第 5 周正式切换运行
   • 常见认知误区澄清：ADD 等同于写文档吗、AI 能力足够强就不需要约束吗、先写代码再补资产是否可行
   • 实践踩坑总结：规范写成散文式文本导致模型理解偏差、校验重流程轻产出、不同 Skill 执行口径不统一

听众收益：

• 了解一套可直接复用的存量系统 AI Coding 治理框架：明确资产分层方式、Skill 定义方法、人工确认节点设置原则
• 了解一把 AI Coding 流水线成熟度评估标尺：清晰编码前、编码中、自评审、自测、合并门禁各阶段的能力水位
• 学习架构度量的落地起步方法：先明确架构主张再制定度量指标，避免度量沦为纸面报表