在 AI Coding、Cursor、Copilot、多 Agent 编程快速普及后，企业代码库面临新的工程治理问题：AI 能快速生成代码，但大型项目中容易出现上下文理解偏差、定位不准、越界修改、结果不可追溯、修复不可复盘、版本无法持续迭代等问题。传统研发管理、普通任务系统和静态扫描工具，难以支撑 AI 成为稳定的生产级执行单元。因此本项目面向 AI 原生研发、复杂代码库治理、远程研发团队协作和企业级工程提效场景，建设一套覆盖规则、扫描、任务、执行、验证、回填的 AI 软件工程治理平台。
项目以 Anvil / CodeAnvil 为核心，围绕 AI 可接管代码库建设完整工程闭环。主要功能包括：AI 可接管性评分、规则库管理、Rule / Condition / Scope 分离、真实扫描 Hit 生成、Fix Prompt Compiler、AI 修复任务生成、任务中台、多 Agent 并行执行、Runtime 证据链、自动化测试验证、结果裁决、修复回填、交付记录追踪等。系统结合 Prompting、Modeling、Retrieval、Memory、Parsing、Tooling、Planning、Reasoning、Agents 等 80 领域能力地图，将 AI 编码从一次性辅助工具升级为可约束、可验证、可追踪、可复跑、可持续演进的团队级工程执行体系。
本人负责项目整体架构设计、产品建模、AI 工程治理模型设计和核心实现方案制定。主要完成 Anvil / CodeAnvil 工程底座设计，定义 AI 可接管性十维模型、Rule / Hit / Fix 模型、任务执行链路、Runtime 证据链和验证回填机制；负责多 Agent 协同、文件级上下文裁剪、任务边界控制、Token 成本优化、扫描结果生成、Prompt Compiler 任务编译等核心模块设计。技术栈覆盖 Java、.NET、Python、Vue、React Native、数据库、缓存、Web3 及自动化测试体系。项目难点在于如何让 AI 修改具备边界、证据、验证和可回填能力，并支撑团队连续运行 0 人工直接手写生产代码的研发模式。
评论