淘天百亿补贴以规范、知识和自反思交付代码

针对 ToC 前端重复性编码占比高、上下文理解成本大、视觉还原持续痛点、知识沉淀难复用四个问题，团队构建深度绑定百补业务域的 coding-agent，目标是支持从一句话描述到完整 PRD 的多粒度输入、产出可直接进入业务迭代流程的工程代码。架构上采用规范驱动（Specification-Driven）+ 知识增强（Knowledge-Augmented）+ 自反思（Self-Reflective）：把页面元素拆成模块/组件/原子能力/主题等物料资产并各配知识库（Props 定义、示例场景、迭代记录），构建页面 Solution 作为布局框架、数据输入（含 SSR）、事件通信与用户交互的底层基座，把页面级开发降级为模块级/组件级；Agent 作为调度中枢按输入与工作空间信息决策流程，编排 repo-matcher（仓库智能匹配、分支规范创建、beta/latest 依赖版本治理）、code-generator（页面/模块/组件级代码生成）、tech-validator（TypeScript 类型检查、构建检查、运行时检查、组件规范检查）、spec-reviewer（规范逐条检查、结构化报告、变更日志）、visual-analyzer（D2C）、knowledge-base-updater 六类 Skill；自反思侧要求产物除代码外还输出变更日志与结构化输出（依赖版本升级信息、组件使用记录）用于循环纠错与追溯。已在项目依赖批量升级、页面级代码生成等场景落地。 知识库是 coding-agent 的核心引擎，团队在多人协作、频繁迭代的 C 端场景下面临准确性与完备性挑战：若知识库无版本化管理，agent 无法给出符合预期的答案。解法分两层——核心知识库构建 llm-doc-async-agent 服务，通过配置 husky 在 commit 阶段自动触发 llm-doc-sync 命令，分析 Readme.md 与 src/* 的变更并自动推送更新到知识库仓库，消除开发者维护组件知识库的心智负担；业务知识库研发 knowledge-base-updater 技能，利用知识库托管 Git 仓库的特性做在线化更新，流程为对话中识别新业务场景/新组件用法/新最佳实践→结构化提取为符合知识库格式的条目→冲突检测避免覆盖→通过 Git 提交保留完整修改记录→下次对话自动拉取最新知识库即时生效，实现新知识自动识别、结构化入库、增量更新、安全审计与跨用户共享。知识库按不同粒度开发任务分层（页面级需骨架与数据请求模式、模块级需业务逻辑与组件组合、组件级需 API 文档与示例），避免上下文过载、信息噪音与检索低效，并为 git、图像分析等常见 bad case 定义了辅助知识库。 D2C 行业现有方案存在设计规范依赖、语义识别不准、组件匹配缺失、Token 消耗过大四个问题。团队方案为三层：Layer 1 通过 MCP 工具直接获取 MasterGo 设计稿的上下文 schema，提供图层结构与层级关系、元素属性（位置/尺寸/颜色/字体）、组件实例与变体信息等精确数据支撑；Layer 2 输入视觉稿导出的截图做多模态布局验证，消除多图层累计噪音、验证 schema 解析的骨架布局正确性、处理设计稿与实际渲染差异；Layer 3 定义组件 UI 特征 DSL 实现组件语义路由（价格组件＝¥符号+数字+可选划线价，倒计时组件＝时分秒格式+分隔符，按钮组件＝圆角矩形+居中文本+可选图标），自动匹配标准化组件。团队坦承本阶段为轻量化尝试，未达到 1:1 视觉还原且应用场景受模型限制：图层噪音与长页面 Token 消耗问题仍在，目前主要应用于模块级视觉还原；后续方向是构建产品级组件方案实现设计语言驱动组件渲染（设计 Token 与代码 Token 自动映射、组件变体与设计变体双向绑定）。