专题演讲嘉宾：郑鑫祺

AI 深度嵌入研发全流程、重构企业级研发体系，已成为大厂提效的共识方向。小红书在内部构建了面向不同人群的 Coding Agent 矩阵，其中 Muse 承担"面向非研发职能线、全程零代码"的最难一环——从需求表达、架构生成、开发实现到视觉验收、交付上线全链路打通。这种场景下传统 Workflow 编排与单 Agent + 长 Prompt 架构都难以兼顾"长任务稳定执行"和"用户随时介入表达"，对系统架构提出了高可用、高精度、强协作的多重要求。我们摒弃以"对话流"为核心的传统设计，转向以"状态管理"为核心的 agentic 架构：通过双通道人机协作模型分离"陪聊"与"干活"、通过子任务化的上下文工程对抗注意力衰减、通过编程护航在每一步产物上做精度兜底与质量保障、通过分阶段约束注入把企业设计规范与工程合规作为硬约束落地。

目前 Muse 已覆盖小红书全部职能线，在主流 AI Coding 产品中率先实现非研发独立完成从创意到可上线代码的全链路 NoCode 交付，验证了"人机协同新型研发范式"在企业级场景的可行性与工程路径。

演讲提纲：

1. 企业级研发体系重构的视角下，Muse 在做什么
   • Coding Agent 矩阵的整体格局：面向研发的 cli 侧 CodeAgent + harness + 面向非研发的端到端 Vibe Coding 平台
   • Muse 的定位：非研发职能线（PM、设计、运营、数据等）从需求到上线的全链路 NoCode 通路
   • 为什么这是矩阵中最难的一环：用户不会写代码也无法手动兜底，系统必须自己把事情做对
   •  AI 嵌入研发全流程的真实形态：需求理解 → 架构生成 → 代码实现 → 视觉/逻辑校验 → 合规检查 → 交付上线
2. 为什么"企业级 + 面向非研发"的 Vibe Coding 必须重做架构
   • 三个无法回避的架构挑战：长任务一致性、人机协作冲突、创作与交付的双重气质
   • 为什么 Workflow 编排走不远、为什么单 Agent + 长 Prompt 也走不远
   • 企业级确定性诉求与模型概率性输出的根本冲突
3. 架构核心：从"对话流"到"状态管理"的范式转变
   • Workflow 思维 vs Agentic 思维：现实场景天然是状态机而非线性流程
   • Muse 的核心抽象：会话状态、任务状态、产物状态的三层解耦
   • 状态驱动下的恢复、续跑、回滚能力如何保障高可用
4. 人机共创的双通道协作模型
   • Case：用户随口一句"这个颜色好看吗"把整个任务带偏的真实事故
   • 解法：把"陪聊通道"与"任务通道"做物理隔离，由意图识别层做分发
   • 用户感受是"随时能说话"，系统保障的是"任务不跑偏"
   • 踩坑：早期共享上下文设计导致 AI 频繁跑偏，后期通道隔离后稳定性显著改善
5. AI 驱动的智能质量保障：用编程护航替代 Prompt 祈祷
   • Case：AI 不用指定组件库自己"造轮子"——产物级校验与自动修正回路
   • Case：长任务下 AI 越做越偏——子任务拆解 + 上下文压缩 + 结论传递
   • Case：企业知识注入不是"把文档扔给模型"——组件库/设计规范/代码仓的预处理与索引
   • 关键设计：每一次模型产出都要经过"编程层"的硬校验，错了就拦下来不进下一步——这是 AI 时代的"持续质量保障"形态
6. 创作发散 × 交付严谨：分阶段的约束注入与企业合规落地
   • 创作阶段：用户的"赛博朋克风格""动态粒子效果"等 taste 优先
   • 交付阶段：自动切换到严格模式，企业设计规范与工程标准作为硬约束注入
   • 把"研发合规"翻译成 AI 能理解的硬约束：组件库白名单、API 调用规范、代码风格、安全/隐私红线
   • 同一个系统，两种气质，通过阶段化 policy 实现
7. 高可用的工程化保障
   • 长任务的断点续跑与失败恢复机制
   • 上下文爆炸下的注意力管理：动态裁剪、摘要传递、子 Agent 隔离
   • 多用户并发下的资源调度与任务编排
8. 踩过的典型坑与经验沉淀
   • 过度依赖 Prompt 工程，复杂任务下上限很低
   • 共享上下文导致 AI 跑偏，必须做通道与任务级隔离
   • 把 Agentic 当 Workflow 来设计，最终都要重写
   • 知识注入要做工程化预处理，原始 PDF/Figma/代码仓直接喂模型几乎无效
9. 效果与展望
   • Muse 在小红书内部的落地情况与反馈
   • 这套架构对企业级 Coding Agent 的贡献情况
   • 对 Agentic 系统架构演进方向的思考

听众收益：

• 看到一个真实落地的企业级 Coding Agent 矩阵全貌，理解面向研发与面向非研发的两类 Agent 在矩阵中如何分工与互补与融合
• 获得一套面向企业级生产环境的 Agentic 系统架构方法论，理解为什么"对话流"思维不够、"状态管理"才是核心
• 学习人机共创双通道模型的设计思路，掌握如何让用户随时介入而不破坏任务执行稳定性，是"人机协同新型研发范式"的具体可借鉴形态
• 获得 AI 驱动质量保障的实战 case 与解法：组件库约束失效、长任务上下文衰减、企业知识注入等典型问题的处理经验
• 理解如何把企业研发合规要求（设计规范、组件库白名单、安全红线）翻译成 AI 能理解并稳定遵守的硬约束
• 学习面向非研发用户的 Vibe Coding 产品架构思路，包括用户意图理解、任务编排、产物兜底的端到端设计
• 了解 Agentic 系统在高可用层面的工程化保障：断点续跑、上下文管理、异常恢复等关键能力的落地经验