7.7
深览指数
科技Bestblogs·阿里云开发者··AI 生成
如何搭建一个端到端业务需求专家 Agent
本文基于阿里内部实践，系统阐述了一套从 PRD 到结项的端到端业务需求专家 Agent 架构。核心观点是：AI 写代码已非瓶颈，真正的瓶颈在于需求交付全流程的串联成本。文章详细拆解了四层横向架构（上下文输入、业务专家编排、工具执行、反馈学习）与八步纵向流程，并重点介绍了 TDD 驱动实现、硬性质量门禁（git hook）以及结项知识蒸馏等关键设计。适合负责研发效能提升、AI 工具落地的技术管理者和架构师阅读，能获得一整套可参考的落地框架，而非抽象概念。原文 ↗
核心观点
- ▍AI 写代码已不是瓶颈，需求从 PRD 到上线全流程的串联成本才是主要瓶颈；人工在不同环节间的上下文切换、经验差异和反复沟通是效率损失的核心来源。
- ▍搭建业务需求专家 Agent 的核心思路是：围绕需求交付这条主线，将分散的工具、上下文和人工反馈组织成闭环系统，让人从反复补位中解放出来，只在关键节点确认。
- 01系统采用四层架构：上下文输入层（需求文档、设计稿、API 文档等）、业务专家编排层（规划执行路径）、工具执行层（调用内部服务、代码仓库等平台）、反馈学习层（人工确认、评审意见、线上 issue 等反馈的沉淀与复用）。
- 02纵向流程分为 8 步：需求进入 -> 需求澄清 -> 技术方案输出 -> TDD 驱动的实现与内部质量门 -> CR/Issue 协同 -> 验收验证 -> 发布与变更观察 -> 结项沉淀。
- 03实现阶段的关键设计是 TDD 驱动（先写测试，让测试定义正确行为）和硬性质量门禁。通过 git pre-push hook 等机制，将 PMD 静态代码校验和测试覆盖率检查变成 Agent 绕不过去的卡口。
- 04结项沉淀是系统实现自我成长和知识复利的关键环节：对过程材料（如方案、CR 记录、Issue 日志）进行选择性蒸馏，稳定且通用的知识沉淀到长期 wiki，流程问题转化为 skill/prompt 的改进候选。
- 05系统通过 JIRA 看板等技术手段实现可观测性，并将人工反馈（如万能的补丁、验收时的返工说明）在人机协同界面留痕，形成 Agent 的行为日志，用于未来案例分析和 prompt 优化。
反方 / 局限
- — 作者承认当前系统存在较高的接入成本，因为不同团队的需求流程、工具链和规范差异很大，很难提供一套通用的端到端方案，需要针对性地进行配置和编排。
- — 文章指出目前缺乏完善的度量体系和自实验的闭环，衡量 Agent 引入前后的效率提升和交付质量改善仍主要依赖定性观察和口碑，很难量化评估投入产出比。
- — 系统当前的模式是单人 Agent 承接一个需求，但大型复杂需求或涉及多个上下游模块的需求协作，超出了单一 Agent 的能力，作者展望需要向多 Agent 协作（Agent Team）模式演进。
阿里云开发者社区PRDTDDgit pre-push hookPMD 校验JIRAAgent Team
3 分钟 · 4 卡片 · 11 资料
读原文 →