Cursor Rules优化实战:构建高效稳定的AI代码生成规范体系|得物技术

一、背景 

随着AI辅助编程工具的普及,Cursor IDE已经成为越来越多开发者的选择。然而,在实际使用过程中,我们发现了一个关键问题:如何让AI真正理解项目需求并生成高质量、一致性的代码?

答案在于构建一套系统化的AI协作规范。与传统的代码规范不同,AI协作规范需要考虑更多维度:

  • 如何让AI准确理解业务逻辑和技术要求

  • 如何确保生成代码的架构一致性和质量标准

  • 如何在团队中推广和维护统一的开发模式

  • 如何避免规范冲突和维护成本过高的问题

本文将分享我们在Cursor Rules优化过程中的实践经验,展示如何从混乱的规范体系演进到清晰、高效的AI协作规范架构。

二、旧版Rules痛点 

在优化之前,团队已有的规范体系存在三个核心问题,这些问题影响了AI代码生成的质量和效率。

问题一:规则冗余与表述模糊

旧规范存在大量无效描述,包括模糊要求(如"确保高性能")、重复定义和基础能力提示。这些冗余信息不仅增加token消耗,更分散AI注意力,显著降低代码生成效率。

问题二:提示词冲突

规范中角色定义混乱,不同文档将AI指定为架构师、开发者等矛盾角色。同时缺乏规则优先级机制,导致多规则同时生效时产生行为矛盾,无法形成明确执行路径。

问题三:维护困境

文档职责边界不清,新增规则时难以定位归属文件。修改单一功能需跨多文件调整,且规则间依赖关系不透明,造成维护成本指数级增长。

三、新版Rules设计理念 

基于已有问题的深入分析,提出了一套新的设计理念,核心是:分层架构 + 职责分离 + 按需调用。

三层结构设计

新版本采用清晰的三层架构,每层都有明确的职责和边界:

    标准化规则格式

    为了确保规范的一致性和可维护性,我们定义了统一的规则格式:

    # 规则名称
    ## 基础规范- 明确的技术要求和实现标准
    ## 强制行为- 必须执行的具体操作和约束
    ## 禁止行为  - 严格禁止的操作和做法,需要避免的常见错误
    ## 示例代码- 具体的代码示例和最佳实践- 也通过 [文件名](mdc:路径) 引用外部示例

    ※  该格式优势

    • 结构清晰:每个部分的职责明确,便于AI理解。

    • 可执行性:强制/禁止行为都有明确的操作指导。

    • 示例驱动:用实际代码代替抽象描述。

    AI协作执行协议

    为了确保AI能够正确理解和执行规范,我们设计了一个明确的AI协作协议提示词:

      # AI协作执行规则
      ## 规则分类- basic/下的通用规则: 必须调用,通用基础规范- modules/下的模块规则: 按需调用,架构分层规范  - workflow/下的流程规则: 按需调用,业务场景规范
      ## 执行流程1. 识别场景 → 调用相关规则2. 读取示例代码 → 作为生成参考3. 执行强制/禁止行为 → 确保代码质量4. 应用设计原则 → 组件化、单一职责、分层设计
      ## 质量保障- 所有规则必须100%执行,重点关注强制行为和禁止行为

      四、三层结构深度剖析 

      接下来我们详细分析新版本架构的设计特点和技术实现。

      基础层的精细化设计

      基础层是整个规范体系的根基,我们将原来混乱的MDC文件,精确拆分为7个职责单一的规范文件:

      文件名

      职责

      核心内容

      basic.mdc

      项目基础规范

      目录结构、技术栈、开发流程

      code-quality.mdc

      代码质量控制

      复杂度限制、安全性要求

      ts.mdc

      TypeScript规范

      类型定义、严格模式配置

      comment.mdc

      注释规范

      JSDoc格式、文件头注释

      code-names.mdc

      命名规范

      变量、函数、组件命名约定

      style.mdc

      样式规范

      CSS/Less编写标准

      lint.mdc

      代码检查

      ESLint、Prettier配置

      ※  此拆分好处

      • 职责明确:每个文件只关注一个特定领域。

      • 维护便利:修改某个规范不会影响其他领域。

      • 学习友好:新人可以逐个理解每个规范的要求。

      示例:code-quality.mdc定义了代码质量分规范:

      # 代码质量分规范(通用规则)
      ## 强制行为
      - 所有请求必须采用 HTTPS 协议- 确保第三方库安全可靠
      ## 禁止行为
      - 代码复杂度限制  - 单个文件不得超过 500 行  - 条件复杂度不得超过 10  - 单个函数不得超过 199 行  - 超过限制时,应优先按功能模块拆分为多个函数或文件- 禁止使用非得物域名的外部 CDN 资源- 禁止在代码中包含明文密码或硬编码 token- 禁止出现敏感词- 避免重复代码块- 不允许单词拼写错误或不符合命名规范- 避免在前端直接进行金额计算(导致精度丢失)- 禁止使用魔数(如 a === '3'),应使用常量(如 a === statusMap.login)

      模块层的分层设计

      模块层的设计遵循前端分层架构思想,将复杂的应用拆分为职责明确的模块:

      • 表现层:components.mdc(组件规范)、pages.mdc(页面规范)

      • 业务逻辑层:hooks.mdc(状态管理)、utils.mdc(工具函数)

      • 数据服务层:service.mdc(API接口)、constants.mdc(配置管理)

      • 路由层:route.mdc(路由配置和导航)

      示例:服务层规范(service.mdc)规范定义了API接口的标准化开发流程:

      # API接口生成规范(模块规则)
      ## 存放位置规范(按优先级)- [p0] 页面级API:src/pages/{pageName}/services/{modules}.ts- [p1] 全局API:src/services/{modules}.ts- 类型文件:对应的 .interface.ts 文件
      ## 标准代码模板```import { request } from '@/utils/request';import { UniversalResp } from '@/utils/request-operation';import { IUserListReq, IUserListDataRes } from './interface';
      /** * 获取用户列表 * @param data 请求参数 */export const fetchUserListApi = async (data: IUserListReq) => {  return request.post<UniversalResp<IUserListDataRes>>(    '/api/user/list',    data  );};```## 强制行为- 使用MCP Server的mooncake_get_api_details工具获取接口详情- 响应数据必须使用UniversalResp<T>泛型包装- 接口命名采用fetch{ApiFileName}Api格式- 类型定义必须完整,包含完整字段注释

      流程层的场景化设计

      流程层是当前架构的创新点,针对具体业务场景定制化规范,将复杂的业务场景标准化。

      流程文件

      业务场景

      核心功能

      curd-page.mdc

      curd页面开发

      curd页面完整使用流程

      log.mdc

      错误监控

      APM监控和错误日志处理流程

      sendBuried.mdc

      数据埋点

      用户行为埋点的标准流程

      ......

      示例: curd-page.mdc 定义了完整的表格页面开发流程:

        ※  该流程确保

        • 开发效率:标准化流程减少决策时间。

        • 质量一致性:所有表格页面都遵循相同的标准。

        • 维护性:统一的结构便于后期维护。

        # pro-table生成新页面(流程规则)深入研究代码并理解[insert feature]是如何工作的。一旦你明白了,让我知道,我将提供我的任务给你。
        ##  工作流程按以下流程进行任务执行,如果评估存在非必须流程,可跳过。- MCP读取接口信息- 从用户输入中提取以下信息:   - 列表名称   - 筛选项(需标记hideInTable)   - 展示项(需标记hideInSearch)   - 操作项   - 工具栏按钮- 评估完整的需求内容复杂度,考虑未来的扩展性,合理设计分层目录结构    - 各个模块保持单一职责,考虑合理的业务组件拆分,避免大量代码都在页面主入口文件    - 使用命令行批量创建目录文件(包含各类文件ts、tsx、less等)    - 文件暂不生成代码- 配置页面的路由信息- 生成类型文件,确保所有类型定义清晰- 生成constants文件,定义所需常量- 生成services文件,实现数据服务- 生成所需的 hooks 文件- 生成页面(必需)和components(如需)文件 完成UI层
        ## 强制行为- 使用pro-table进行开发,包括筛选表单,符合最佳实践- 筛选项和列表项配置创建useColumns.tsx声明,筛选项(需标记hideInTable)、展示项(需标记hideInSearch)- 左侧字段按需固定,操作项右侧固定,最多显示两个,超出折叠显示- 文本左对齐,数字右对齐,状态枚举居中显示- 分页设置支持10、20、50、100- .....
        # 禁止行为.....

        五、最佳实践 

        快速开始

        第一步:创建基础架构

        .cursor/rules/├── ai.mdc              # AI协作总纲├── basic/              # 基础规范目录│   ├── basic.mdc│   ├── code-quality.mdc│   ├── ts.mdc│   ├── style.mdc│   ├── comment.mdc│   ├── code-names.mdc│   └── lint.mdc├── modules/            # 模块规范目录│   ├── components.mdc│   ├── pages.mdc│   ├── hooks.mdc│   ├── service.mdc│   ├── constants.mdc│   ├── utils.mdc│   └── route.mdc└── workflow/           # 流程规范目录    ├── curd-page.mdc    ├── log.mdc    └── send-buried.mdc    └── ......

        第二步:配置AI协作协议

        在 ai.mdc 中定义核心协作规则:

        # AI协作执行规则
        ## 规则分类- basic/下的通用规则: 必须调用,通用基础规范- modules/下的模块规则: 按需调用,架构分层规范  - workflow/下的流程规则: 按需调用,业务场景规范
        ## 执行流程1. 识别场景 → 调用相关规则2. 读取示例代码 → 作为生成参考3. 执行强制/禁止行为 → 确保代码质量4. 应用设计原则 → 组件化、单一职责、分层设计
        ## 质量保障所有规则必须100%执行,重点关注强制行为和禁止行为

        分阶段实施计划

        阶段

        目标

        关键活动

        试点阶段

        验证规范有效性

        选择1-2个项目试点,收集反馈

        优化阶段

        完善规范内容

        根据试点反馈优化规范,开发工具

        标准化阶段

        形成团队标准

        制定团队级标准,持续改进机制

        六、总结 

        基于以下设计思路,并通过构建三层架构的AI协作规范体系:

        • 单一职责:每个规范文件只负责一个功能领域,规则维护简单,冲突减少。

        • 分层架构:基础→模块→流程的清晰层级,规则依赖明确,扩展容易。

        • 按需调用:根据开发场景智能调用相关规范,使得上下文信息精准,效率提升。

        • 示例驱动:用代码示例代替抽象描述,AI理解准确,执行到位。

        • 持续进化:支持规范的迭代优化和扩展,研发适应变化,持续改进。

        我们成功缓解了AI辅助编程中的核心问题,这套方法论不仅适用于Cursor Rules,更可以推广到其他AI协作工具的规范设计中。在AI辅助编程快速发展的今天,构建一套清晰、系统化的协作规范,将是每个开发团队的核心竞争力。

        往期回顾

        1.一致性框架:供应链分布式事务问题解决方案|得物技术

        2.Redis 是单线程模型?|得物技术

        3.得物社区活动:组件化的演进与实践

        4.得物研发自测 & 前端自动化测试体系建设

        5.从CPU冒烟到丝滑体验:算法SRE性能优化实战全揭秘|得物技术

        文 / 阳凯

        关注得物技术,每周更新技术干货

        要是觉得文章对你有帮助的话,欢迎评论转发点赞~

        未经得物技术许可严禁转载,否则依法追究法律责任。

        相关推荐

        压测AI Agent 治理与评测调优实践|得物技术

        本文介绍智能分析Agent在压测调试中上线后的治理闭环建设:通过Langfuse记录完整执行链路,结合用户反馈与Trace还原问题根因;利用CLI Mock固化证据数据集,实现相同场景下的回测验证。基于固定案例与五档评分机制,持续评估方案质量、延迟与成本,确保修复有效且无新问题引入,推动Agent能力迭代优化。

        SmartCodeTech的博客 316

        从中心调度到自驱协作多 Agent 架构的三次反转|得物技术

        本文探讨多Agent系统中的控制权分配问题,提出三大协作架构:Master Agent(中心调度)、任务看板(共享状态)与Advisor(轻量咨询)。通过划清上下文边界与模型边界,强调应以信息相关性而非职业标签划分Agent。三种模式分别将决策权集中于中心、下放至共享状态、再下沉至执行者,形成控制权逐步下沉的演进路径。案例显示,合理设计可提升复杂任务的并行性、弹性与可维护性。

        SmartCodeTech的博客 420

        Jev 实战:为AI工作流引入轻量决策层 x10倍提速|得物技术

        完成这三个场景后,我对适用边界有了更明确的认识:它们都可以先定义答案范围,再根据判断结果驱动下一步操作。接入时,我会优先明确输入、选项、采纳条件和兜底路径,再评估Jev是否适合承担这一环节。结合这些实践,我更容易理解Jev(TypeSafe System One)作为专用结构化决策模型不生成自然语言,而是返回带概率的判断结果。后续接入时,我会继续从脚本中边界明确的判断任务开始,分别验证准确性、耗时和费用,再决定是否扩大使用范围。下面整理了相关能力、限制和接入要点,便于查阅。

        SmartCodeTech的博客 346

        国产算力·昇腾 910C 大模型推理优化(下):源码修改与算子优化,提速30%|得物技术

        本文延续上篇,深入vllm-ascend源码优化:通过多流重叠实现MoE共享专家并行计算,消除冗余事件开销,并解除与FUSED_MC2的互斥限制,实现c=1下TPOT从8.2ms降至8.0ms;优化decode阶段host侧开销,引入状态跟踪跳过冗余拷贝;设计Block Table CPU快路径,规避小batch下NPU kernel启动延迟;针对GDN层融合L2Norm至recurrent kernel,减少算子调用与内存往返。综合优化后推理性能显著提升,形成可复用的昇腾910C大模型推理优化方法论。

        SmartCodeTech的博客 248

        国产算力·昇腾 910C 大模型推理优化(上):镜像更新与参数调优,提速 40%|得物技术

        文中详细给出每一项优化的动机、实现(含具体源码改动路径与关键代码片段)、验证数据与踩坑记录(包括十余项实测无效或负向的尝试),希望为同样在国产算力上做推理优化的团队提供一份可直接复用的工程参考。

        SmartCodeTech的博客 227

        动态规则的 Agent 实践:用确定性工程驾驭 LLM 的资产智能验收

        面对财务验收中规则多变、材料非结构化、核对复杂等痛点,传统规则引擎难以应对。系统采用“规则即配置”思路,由大语言模型(LLM)负责理解合同、扫描件等非结构化材料并执行语义比对,工程系统则保障流程编排与可追溯性。通过异步处理、幂等设计、三类流量隔离及双通道(文本/图像)处理,实现高效稳定运行。结合用户反馈构建自动标准答案,辅以试跑、回测与发布门禁机制,形成闭环质量体系。底层采用确定性工作流架构,确保行为可预期、可测试,真正实现灵活规则的快速迭代与安全上线。

        SmartCodeTech的博客 345

        发一张图,它居然“跃“出屏幕了?一文读懂得物 3D 空间图片技术实践

        3D 空间图片功能的落地,涉及模型生成、内容分发、客户端渲染之间的一系列取舍。本文重点分享如何生产出高质量、小体积的模型,以及如何在手机上流畅运行。

        SmartCodeTech的博客 555

        别再只卷向量检索了,得物交易搜索如何用“生成式”实现召回范式跃迁?

        你搜"af1",它得给你"空军一号"。这一年,得物交易搜索把召回从"做选择题"改成了"写答案"——不再从商品池里"找"最像的,而是让模型自己"生成"你真正想要的。从 LLM 语义索引到 HLLM、语义 ID,搜索是怎么从"检索"走向"生成"的?

        SmartCodeTech的博客 594

        指标平台:从语义底座到智能消费的实践路径|得物技术

        这篇文章想做的,不是在本体化的宏大叙事上再叠加一层理论,而是把我们在真实落地中验证过的路径讲清楚:语义底座怎么从零建立起来、怎么保证质量不失控、怎么支撑 Text2SQL 和 AI Coding 两条消费主线,以及沿着这条路径往前走,下一步该往哪个方向发力。

        SmartCodeTech的博客 317

        企业级 MultiAgent 落地:Plan 模式与主子 Agent 协作|得物技术

        基于 AgentScope Java 的企业级 MultiAgent 平台,为研发、数据分析和知识问答等场景提供统一的模型调用、工具接入、任务编排、流式输出与运行追踪能力。

        SmartCodeTech的博客 302

        得物小摊 AI Native 演进实录:用 Harness 构建可控 AI 交付

        AI Coding 一个人用很顺手,进了团队就漏:指令没人审、经验难沉淀、过程看不见、链路不闭环。作者团队基于 Multica 做了 EP-Harness,把 Agent 当成员管,给它套一层可执行、可观察、可治理的 Harness,并让反馈闭环。成果:可追溯决策、多 Agent 协作,高频异常从每 4 小时 2400 多条降到个位数,对得物技术补上团队级 AI 协作关键一环。

        SmartCodeTech的博客 543

        企业级 MultiAgent 的记忆系统:短期上下文与四层记忆架构实现|得物技术

        在 MultiAgent 平台中,Agent 的"记忆"能力是实现智能对话和个性化服务的核心资产。本文深入剖析 Agent 记忆系统的设计理念与实现细节,重点解析长期记忆架构的写入与加载流程,涵盖 LLM 智能判断、语义检索、Token 预算控制、冲突处理等关键技术,为开发者提供完整的技术实现参考。

        SmartCodeTech的博客 502

        EP-Harness:从个人 AI Coding 到团队级 Agent 工作流|得物技术

        AI Coding 个人用得爽,一到团队就崩。EP-Harness 把 Agent 从聊天工具变成团队协作成员——可管理、可追溯、可闭环。落地后高频异常从 2400+/4h 收敛到个位数。

        SmartCodeTech的博客 694

        得物知识问答:复合检索 Agent 的系统设计实践

        从"搜到什么用什么"到"搜→筛→挖→验"自主决策闭环——我们造了一个有判断力的 RAG Agent,不是套壳。

        SmartCodeTech的博客 736

        实战从零开始构建一个Coding Agent:Violin |得物技术

        理解了 coding agent 的构建原理,也就掌握了理解其他 agent 的一把钥匙。笔者对每天都在使用的 agent 原理很感兴趣,于是决定自己写一个:violin。

        SmartCodeTech的博客 927

        AI Native 交易核心系统的研发范式|得物技术

        如何改造旧研发流程适配 AI 编码?本文提出五道标准化关口治理思路,依托 Claude Code Spec-Driven 插件打通需求澄清、方案设计、TDD 落地、门禁管控与埋点监控,构建带人工确认门控的完整工作流,以五层自底向上架构实现 AI 编码规范化落地。

        SmartCodeTech的博客 975

        推荐系统体验的数字化突破:得物自动化评测平台的技术实践|AICon 文章整理

        「得物推荐 AI Harness 工程化实践系列」的末篇内容,本系列共三篇连载。本篇(末篇)详解得物推荐评测平台的完整技术体系:从主观体验量化到大模型自动化评测流水线,涵盖多维度指标设计、人机协作提示词校验闭环、分布式任务调度与成本精控等核心工程实现,以及单周百万级审计需求下实现 91% 资源成本优化的工业级落地实战细节。

        SmartCodeTech的博客 1495

        RAG 核心概念与原理:Chunking、Embedding、相似度、HNSW 与多路召回|得物技术

        决定 RAG 效果的关键不在大模型,而是文本切块、查询改写、多路召回与精排。合理切块存好知识库内容,向量匹配抓语义、BM25 匹配关键词互补。先优化用户提问,快速召回一批相关文档,再用精排模型精细筛选,整套检索流程配合到位,问答准确度才会明显提升。

        SmartCodeTech的博客 1082

        从“机械应答“到“服务伙伴“:得物高可控智能客服的 Agent 工程实践|AICon 演讲整理

        本次分享围绕以下核心技术展开:客服 Agent 挑战与架构设计(Single-Agent→Multi-Agent→Harness);高可控性数据飞轮(PE 自动化 + DPO 训练);RL 策略训练和人工经验对齐;多轮半双工消息流控制。

        SmartCodeTech的博客 755

        得物推荐系统诊断 Agent:从 “调接口” 到 “会思考”|AICon 演讲整理

        本文是得物技术专家在 AICon 上海演讲整理的技术实录。AICon上海2026_全球人工智能开发与应用大会暨大模型应用生态展_InfoQ技术大会「得物推荐 AI Harness 工程化实践系列」的中篇内容,本系列共三篇连载。本篇(中篇)进一步详解得物推荐复杂业务场景下,AI代码从生成、防护校验到安全上线的完整技术体系、自研AI Harness整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。

        SmartCodeTech的博客 1365

        得物 OceanBase 落地实践

        得物选型OceanBase多模数据库应对业务挑战,通过验证其高可用架构、存储压缩技术及混合负载处理能力。测试显示OceanBase在复杂查询场景性能较MySQL提升130-200倍,在高并发TP/AP混合场景表现优异,存储成本降低40%+。通过DBA内部报表业务试点验证其稳定性后,逐步推广至核心业务场景,优化数据库技术栈,实现性能与成本的双重收益。

        SmartCodeTech的博客 1384

        AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

        ai_uitester 代表了 AI Native 的 UI 自动化测试新范式:这不仅是工具的升级,而是测试范式的转变 ------ 从 "代码驱动" 转向 "视觉驱动",从 "人工调试" 转向 "AI 自愈",从 "三端分离" 转向 "统一抽象"。

        SmartCodeTech的博客 780

        从狂野代码到按目标生产:得物推荐 AI Harness 的工程化实践|AICon 演讲整理

        本文是得物技术专家在 AICon 上海演讲整理的技术实录。「得物推荐 AI Harness 工程化实践系列」的开篇内容,本系列共三篇连载。将系统拆解得物推荐复杂业务场景下,AI 代码从生成、防护校验到安全上线的完整技术体系,逐一详解自研 AI Harness 整体架构框架、全流程安全防护机制、混合智能体核心算法实现,以及工业级工程落地的实战细节。本篇(上篇):将整体介绍团队自研的 AI Harness 体系,包括建设思路、全生命周期防护机制、混合智能体架构及落地效果。

        SmartCodeTech的博客 1082

        从表单到 Agent:得物社区活动搭建的 AI 实践之路

        一场营销活动从策划到上线,运营要在三个系统间跳转 10 + 次、填写 40 + 个字段。我们用 AI 重新设计了这条链路 —— 从 “AI 帮你填表单” 到 “两阶段 Agent + 聚合工作台”。这篇文章记录的不是技术细节,而是这条路上的选择和反思。

        SmartCodeTech的博客 745

        从埋点需求到规则资产:Hermes Agent 重构得物数仓工作流

        埋点和指标需求中,消耗数据承接方的不是生成答案,而是补齐证据链、对齐历史口径、识别下游影响,并在生产写入前留下可追溯的确认记录。本文数据承接方指承接业务需求的数据同学或业务合作伙伴;后文讨论内部研发、元数据、查询和门禁能力在流程中的角色。

        SmartCodeTech的博客 657

        让 Claude Code 拥有自我进化和记忆系统|得物技术

        本文记录了为 Claude Code 构建的一套持久化记忆与自我学习系统的设计思路与实现细节。这套系统让 AI 助手能够跨越会话边界记住用户习惯,并在每次对话结束后自动提炼行为规律和系统信息,通过向量检索快速提取关键信息,下一次对话时主动应用,逐步进化为更懂你的编程伙伴。

        SmartCodeTech的博客 994

        用 LLM Agent 重构告警排查流程|得物技术

        告警排查需频繁切换日志、APM、链路追踪等多个平台,耗时 10~30 分钟,且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟,覆盖 11 个服务和 10+ 种告警类型。

        SmartCodeTech的博客 1008

        HorizonVault 技术深潜:如何在 HDD 上做出 100GB/s+ 级大吞吐分布式存储|得物技术

        HorizonVault是一款面向Kafka远程存储的高吞吐分布式存储引擎,通过分布式并行写入和状态感知调度解决冷数据存储的三大核心问题:吞吐瓶颈、性能抖动和恢复能力。系统采用分层架构,Meta负责全局资源调度,Broker处理请求路由,Store实现本地磁盘管理,形成完整的写入治理链路。通过将HDD磁盘提升为一等资源,实现顺序追加写入、多盘并行和慢盘隔离,在保证高吞吐的同时控制延迟。存储结构采用DiskStore组织磁盘资源,LogSegment顺序写入数据,IndexSegment定位读取,Change

        SmartCodeTech的博客 892

        Claude Code Harness 工程:数仓侧落地方案|得物技术

        Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作;hooks 负责规范检查等确定性执行;Subagents 隔离血缘查询、自测等高 token 操作;Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。

        SmartCodeTech的博客 1103

        BP Claw 破解 AI 编码输入难题 ——FlinkSpec 需求智能化实践|得物技术

        本文为 FlinkSpec 系列之开篇,亦是这场工程化变革的序章。BP Claw 所立之处,不过链路之源。FlinkSpec 所图,乃以 AI 之力,将实时数仓从需求落地至验收上线的全程工序,熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟,后续系列将逐章揭幕,敬请期待!

        SmartCodeTech的博客 1039
        上一篇: Redis 是单线程模型?|得物技术
        下一篇: 给Javaer看的大模型开发指南|得物技术
        得物技术
        得物技术 得物技术官方账号 得物技术官方账号
        博客等级 码龄6年 2492粉丝 408原创
        评论
        成就一亿技术人!
        拼手气红包6.0元
        还能输入1000个字符
         
         条评论被折叠 查看
        添加红包

        请填写红包祝福语或标题

        个

        红包个数最小为10个

        元

        红包金额最低5元

        当前余额3.43元 前往充值 >
        需支付:10.00元
        成就一亿技术人!
        领取后你会自动成为博主和红包主的粉丝 规则
        hope_wisdom
        发出的红包
        实付元
        使用余额支付
        点击重新获取
        扫码支付
        钱包余额 0

        抵扣说明:

        1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
        2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

        余额充值