蚂蚁 Vibe Coding 平台实践：让非技术员工“说”出全栈应用
导语
在蚂蚁集团内部，一个名为 Vibe Coding 的平台已经落地运行了半年。它的核心定位非常明确：让非技术员工通过自然语言对话，直接生成前后端一体化的应用。从 PMO 的战役管理平台，到 HR 的内部流程系统，再到 C 端营销活动页面，非研发人员正在通过“像聊天一样开发”的方式，成为 AI 加持下的超级个体。
然而，从“玩具”到“生产级工具”的跨越，并非靠大模型的能力自然溢出，而是需要硬核的工程体系来承接。本文将复盘蚂蚁 Vibe Coding 平台落地过程中的核心技术挑战与解法，以及从真实业务中沉淀出的 AI 时代软件设计哲学。
核心问题与挑战
当非技术用户开始用自然语言构建复杂应用时，传统软件开发中的工程问题会以更尖锐的方式暴露出来。我们在实践中主要面临以下两大类挑战：
工程效能瓶颈
- Token 消耗极快：重度用户单月 Token 消耗可达 5000 元，成本压力巨大。
- 超长对话遗忘：单项目对话轮次超过 2000 轮后，Agent 出现严重的健忘与逻辑混乱。
- 巨型项目卡顿：随着项目文件数量膨胀，Agent 响应变慢，且代码修改极易出现偏差。
- 数据库门槛高：业务人员无法用精确的技术语言描述数据库表结构，导致持久化层设计受阻。
业务场景壁垒
- 私有知识盲区：AI 听不懂企业内部黑话和私有知识。
- 数据安全与互通：HR 系统需频繁调取员工数据，但存在敏感数据保障难题；同时内部生态割裂，信息不通。
- C 端交付极难：营销场景对高保真还原、客户端适配及高并发要求极高，远超普通对话生成的能力边界。
方案与实践
针对上述挑战，我们在底层工程架构与业务场景适配上进行了深度改造。
攻克工程效能瓶颈
1. 精准化 Search/Replace 与高命中率 Cache（应对 Token 消耗）
放弃全量重写文件的传统模式，改为精准化的 Search/Replace，配合高命中率的 Cache 机制，整体削减了约 80% 的 Token 消耗，大幅降低单次修改的成本。
2. 意图与索引分离的 Memory 体系（应对长对话遗忘）
构建了意图、索引与技能分离的 Memory 体系。不再将所有上下文塞入 Prompt，而是实现记忆的自动卸载与按需召回，确保 Agent 在超长轮次对话中保持核心意图的稳定性。
3. File Graph 与主动加载/卸载（应对巨型项目卡顿）
为巨型项目构建文件图谱（File Graph），Agent 不再一次性读取所有代码，而是根据当前任务主动加载所需的外部信息，处理完毕后主动卸载，显著提高了分析效率与修改准确性。
4. 意图驱动 DDL 与快照回滚（应对数据库门槛高）
业务人员只需表达业务意图（如“我要做个投票”），Agent 根据意图全自动完成 SQL/CRUD 设计。同时引入快照回滚机制，确保一旦表结构生成偏离预期，可快速回退，降低试错成本。
业务场景落地与架构跃迁
HR 场景：从黑话到技能，从隔离到打通
- 针对内部黑话，支持业务人员自助将内部知识 Skills 化，让 AI 懂业务。
- 针对数据不通，预置组件与技能；针对敏感数据，实施数据环境隔离与独立权限角色管控，保障合规。
营销场景：多模态与高可用基建
- 高保真还原：引入 D2C 多模态能力直接还原设计稿。
- 客户端适配：预置移动端脚手架与 llms.txt 规范。
- 高并发应对：依托高性能基础设施，并构建自动测试与修复闭环，实现“写得快，发得快”。
架构跃迁：去 Workflow 与 Skills 化
真实业务（特别是 PMO 那个超 2000 轮对话的生产级项目）倒逼了底层架构升级。我们彻底摒弃了固化的 Workflow，走向了去 Workflow、Skills 化和 AI 友好的自主决策架构。Agent 不再按部就班，而是根据意图自主调度技能。
原则/方法论沉淀
从半年的工程实践中，我们提炼出以下面向 AI 时代的架构与设计原则：
- 一切皆文件与 Git：AI 时代的软件设计哲学是“一切内容皆文件、一切文件用 Git 管理、一切会话在 WorkTree 发生”。这为 Agent 提供了最清晰、最可控的操作界面。
- 架构设计首要面向变化：在 AI 时代，任何事情都有可能在 3 个月后发生巨变。架构的第一优先级不再是极致的性能或复用，而是面向变化的敏捷响应。
- Model + Harness = Agent：仅靠大模型（Model）无法保证确定性，必须构建 Harness（约束与验证闭环）。通过“验证-反馈-修复”的闭环持续达成目标交付，这是驾驭 Agent 行为的核心方法论。
- 基建必须天生 AI 友好：基础设施的受众正在从 Developer 转向 Agent。文档的第一读者变为机器，接口必须 IaC 化并提供 llms.txt，保障 AI 会写、能调。
- 技能的一等公民化：只有 AI 原生掌握的技能才是未来的一等公民，传统的 API 封装需要向 Agent 友好的 Skills 演进。
总结与行动建议
AI 时代的用户不在意代码过程，只在意结果交付。Token 就是未来的电，降低 Token 消耗、提升单位 Token 的产出效能是工程团队的核心命题。
对于正在或即将构建 AI Coding 平台的团队，我们建议：
- 放弃对全量代码生成的执念，转向 Search/Replace 与精准缓存，这是控制成本的关键。
- 优先建设 File Graph 与 Memory 体系，这是 Agent 从玩具走向生产级项目的基础设施。
- 将基础设施的 AI 友好度作为架构评审的硬指标，没有 llms.txt 和 IaC 化的内部系统，将率先成为 Agent 自动化的绊脚石。
- 交付结果而非代码过程，围绕 Model + Harness 构建你的 Agent 工程体系，用闭环验证代替单向生成。
开放问题与延伸方向
- Token 削减的基准测试：宣称削减约 80% Tokens 的基准环境与任务复杂度如何？Search/Replace 与 Cache 在不同代码规模和语言下的命中率差异仍需标准化评估。（关联：Token 成本控制方案的适用边界）
- “快照回滚”的认知负担：让非技术背景人员面对快照回滚这种开发者概念，是否违背了“像聊天一样开发”的初衷？（关联：产品交互与工程底层的平衡）
- 意图驱动 DDL 的脏数据风险：若 Agent 对业务边界理解微小偏差，全自动 SQL/CRUD 是否会导致不可逆的脏数据甚至级联删除？（关联：自动化与安全兜底机制）
- “一切皆文件”与高并发一致性：在应对高并发营销场景的状态强一致性要求时，Git 机制是否存在天然架构短板？（关联：设计哲学在极端场景的局限性）
- Skills 化的意外收益：将企业黑话 Skills 化，是否意外打通了企业内部长期割裂的知识孤岛？（关联：平台溢出价值）
- Model + Harness 的泛化能力：该验证闭环框架是否为解决大模型“幻觉”提供了一种可工程落地的通用解法，不仅限于代码生成？（关联：Agent 工程方法论的推广）
- File Graph 的替代路径：除了主动加载/卸载，能否借鉴数据库视图机制，让 Agent 仅在逻辑视图操作而无需感知物理文件？（关联：巨型项目上下文管理的创新解法）
- 面向机器的 API 规范：基建文档第一读者变为机器，是否会催生一种“机器先读、人机共审”的新型 API 设计规范或中间语言？（关联：天生 AI 友好的具体落地形态）
- 去 Workflow 与 Harness 的边界：在宣称去 Workflow 的同时又强调 Harness 约束，何时该约束何时该放权？（关联：Agent 自主性与可控性的元反思）
- 下一步的工程假设：平台从解决单点技术挑战走向重塑软件设计哲学，下一步最应优先验证的工程假设是什么？（关联：平台未来演进的破局点）