得物Akashic知识工程实践,构建研发知识闭环,让AI协作经验可沉淀复用

得物技术团队推出Akashic知识工程体系,通过三层知识库结构(L1入口、L2技能文档、L3源码注释)与会话归档、自动提炼机制,将分散在代码、文档与研发对话中的隐性经验转化为可复用的团队资产,形成‘知...

互联网/IT 阅读量: 29.88万

在AI深度介入软件研发流程的当下,一个普遍困境逐渐显现:研发过程中产生的关键判断、边界条件与经验教训,往往散落在即时对话、临时脚本或未同步更新的文档中。当人员轮换或任务切换时,这些“隐性知识”难以被继承,导致重复沟通、上下文重建甚至同类错误重现。得物技术团队针对此问题,系统性推进了名为Akashic的知识工程实践,旨在将碎片化研发产出转化为结构化、可持续演进的团队知识资产。

该实践的核心目标并非简单建立知识库,而是构建一条“知识—任务—新知识”的正向循环路径:知识库为AI辅助研发提供可靠上下文;研发过程产生代码变更与对话记录;系统再从中识别、提炼可复用内容,经审核后回写至知识库,使个体走通的路径或踩过的坑,成为后续成员可直接调用的经验。

为实现这一闭环,得物设计了六模块协同的系统架构:本地接入工具Akashic CLI负责配置管理与Git Hook集成;本地研发层支持开发者调用AI工具(如Codex、Claude Code)完成设计、编码与排障;工程知识层以Git仓库为唯一信源,构建三层知识结构;会话管理层统一归档原始对话至OSS;知识演进层通过Session Agent与Audit Agent协作,从对话中提取候选知识并以MR形式提交;对话洞察层则基于轮次、Token量、时间跨度等指标生成分析报告,识别高频问题与知识缺口。

其中,知识库的分层设计是整个体系的基石。得物明确拒绝将所有规则堆砌于单一文件(如AGENTS.md),因其易造成上下文过载与维护困难。取而代之的是按适用范围与读取时机划分的三级结构:

  • L1(AGENTS.md):作为全局入口与路由中枢,仅保留仓库定位、模块边界与协作约定等高阶指引;
  • L2(Skills + 文档目录):承载可跨任务复用的中观知识,包括架构说明、核心概念、开发指南及模块级技能(SKILL.md),例如“召回通道开发”“指标异常排查”等标准化操作流程;
  • L3(注释 + JavaDoc):紧贴源码,解释具体实现中的约束、字段含义与特殊取值逻辑,确保最新代码始终附带准确语义。

这种分层策略使Agent能根据任务复杂度渐进式加载知识——先定位L1入口,再按需深入L2技能,最终在编码阶段调用L3细节,既保障效率又避免噪声干扰。

在执行层面,知识更新机制高度自动化。例如,当研发人员提交代码变更时,系统通过Git Hook触发检查,比对变更是否涉及L2或L3知识项;若存在关联,将提示补充说明或自动生成待办。更关键的是对话知识的转化:所有通过Codex/Claude产生的研发对话均被扫描归档,经自然语言处理提炼出主题、摘要与标签后,由Session Agent生成候选知识条目,再由Audit Agent进行逻辑校验与整合,最终以标准MR格式提交至仓库,由模块Owner审核合并。这一流程将原本“只存在于某次会议中的共识”,转化为可版本化、可追溯、可检索的正式知识。

Akashic系统五层架构图

得物还为不同层级知识设定了明确的Agent加载策略(见下表),确保知识调用精准高效:

文章配图
  • L1默认加载,保持轻量;
  • L2按任务类型动态加载对应Skill与专题文档;
  • L3仅在涉及具体类/方法时按需注入,避免冗余。

三层知识定义与Agent加载策略

该体系已在得物多个核心业务线落地验证。据内部反馈,新成员上手周期平均缩短30%,重复性问题咨询下降45%,尤其在复杂链路(如推荐系统多路召回与精排融合)的开发中,因知识可查、步骤可循,方案评审通过率显著提升。更重要的是,它改变了团队对“经验”的认知方式——经验不再是个人记忆,而是可积累、可迭代的组织资产。

当前,行业对AI原生研发(AI-Native Development)的探索多聚焦于工具链集成与单点提效,而得物Akashic实践的突破在于:它将知识本身作为一等公民纳入工程体系,用软件工程的方法论治理知识生命周期。这不仅是技术方案,更是一种研发范式的迁移——从“人驱动知识流动”转向“系统驱动知识沉淀”。

随着大模型在研发环节渗透加深,如何防止“AI越用越孤岛、人越干越重复”,已成为高阶团队的共性挑战。得物的尝试表明,唯有将知识生产、验证与复用嵌入标准研发流水线,才能真正释放人机协同的长期价值。其路径虽具企业特性,但分层建模、闭环演进、Git为源等原则,对面临类似问题的互联网技术团队具有较强参考意义。