京东零售以多项Skills编排AI编码流水线

京东零售团队把原先散落的单点 AI 能力串成一条可从「冷启」走到「推送」的完整流水线，并在行云空间中通过 joycode Team 统一上传团队级别的智能体、skill、rule 与 MCP，同时维护团队级知识库与业务知识。流水线分八个环节：环节0 用 project-init-docs、project-knowledge-init、generate-project-spec、call-chain-analysis 做工程知识库冷启，自动生成 README/ARCHITECTURE/AGENTS/STRUCTURE 文档、反推全工程生码规约产出 .mdc 规则文件、沉淀方法级调用链；环节1 由人工判断涉及的系统并拆到单应用粒度，仍是纯人工瓶颈；环节2 用 prd-to-trd 结合存量代码把 PRD 转成符合项目规范的 TRD，扫描识别技术栈、公共组件、已有接口与表结构并对模糊点标「需人工确认」，用 prd-logic-knowledge-builder 沉淀接口级/方法级逻辑知识；环节3 用 JoySpace PRD Reviewer 与 asset-loss-analyzer 做设计评审，涉及资金、交易、资产的需求必过资损防线；环节4 用 java-design-to-tasks 为 Spring Boot 单体、JSF 微服务、MQ/定时任务生成实施计划与模块级任务拆解；环节5 先跑 component-finder 找已有公共类与相似组件、再用 java-fast-coding 生成各层 Java 代码；环节6 用 ai-code-verify 做七维度提交前比对（功能完整性、逻辑正确性、遗漏检查、约束遵守、安全风险、影响范围、性能影响），问题分 Critical/Major/Minor/Info 四级并含资损防控与过度设计检查；环节7 用 git-confirm-push 在展示完整 diff 并经人确认后才提交推送。被替代掉的是样板书写、凭经验挑设计漏洞、手工翻译排期与设计文档等机械劳动，人被顶到定规则、做裁判、拍板取舍的位置。 针对主流程中「判断需求涉及哪些系统 + 拆到单应用」这一最依赖资深经验的人工瓶颈，团队正在用一个需求分治智能体把瓶颈交给 AI：输入一段未经拆分的原始需求描述，AI 基于团队维护的仓库路由表（仓库清单）与架构分层图，自动判断涉及哪些系统、沿依赖关系发现被波及的旁路系统、把需求分解到各系统，再逐个系统检索仓库 wiki 并生成一份 TRD，等于把主流程的阶段1与阶段2一起接管；产出的逐系统 TRD 直接进入主流程阶段3（设计评审），后续评审、拆任务、编码、验证、推送完全复用。使用时 AI 会把中低置信度的系统归属列出来让人确认，遇到新增接口还是改老接口、走 MQ 还是 RPC 这类多路径抉择会列出选项与推荐项交人拍板，wiki 查不到需推测的新增逻辑会标出来问人。该 skill 的燃料是仓库路由表与架构图，路由表越准、依赖关系越全分治越靠谱；在完全成熟前，重要需求仍建议人工复核分治结果。