AI 编程指引手册（2025 企业版）｜CLI×Agent×MCP×多模型路由

1) 产品形态：本地 vs 云端

• 本地（IDE/插件/CLI）：低延迟、可离线、便于合规；适合深度工程团队。
• 云端（托管 Agent / Vibe Coding）：环境与部署一体化、门槛低；适合原型/协同。
• 建议：双轨（核心仓库本地，原型/运营类场景走云端）。

2) 模型策略：自研 vs 第三方 vs 混合

• 自研：可控、安全、可定制；成本高、周期长。
• 第三方：能力强、迭代快；合规/成本需治理。
• 混合：场景路由 + 成本分层，是企业主流落点。

3) 用户价值：提效 vs 降效

• 提效：样板代码、脚手架、重构与测试显著加速。
• 降效风险：错用模型、交互等待、过度依赖导致质量波动。
• 要点：度量真实产出（PR 吞吐、缺陷密度、MTTR）。

4) 付费模式：订阅 vs 按需

• 订阅：可控预算；可能闲置。
• 按需：弹性好；成本波动。
• 建议：订阅 + 算力池 + 按需混合，设月度上限。

5) 推进节奏：激进 vs 渐进

• 激进：快速形成范式冲击与心智优势。
• 渐进：低风险、重治理、重稳定。
• 建议：Pilot→Scale 两段式推进。

6) 组织影响：裁减 vs 扩张

• 低层重复编码被替代，专家与通才更稀缺。
• 小团队 + 高密度工程 + AI 编排 → 更高产出。

MCP（模型上下文协议）要点

• 像“AI 的 USB-C”：用统一接口让模型安全访问文件/DB/HTTP/CI 等外部资源。
• Client-Server：MCP 服务器暴露功能，客户端（IDE/Agent）按权限调用。
• 安全设计：副作用操作需显式授权；支持本地 STDIO 与远程 SSE。

# mcp-server.manifest.json（示例）
{
  "name": "ci-runner",
  "tools": [
    {"name": "run_tests", "args": ["--suite"]},
    {"name": "deploy", "args": ["--env"]}
  ],
  "auth": {"type": "token", "scopes": ["ci:read", "ci:write"]}
}

多模型路由（因材施“模”）

• 按任务类型选择模型：补全/生成/调试/查错/代码解释/文档撰写。
• 成本与质量分层：主力模型 + 轻量模型；失败回退与重试策略。
• 可设“大脑代理”→ 子代理/工具的协作编排。

// 伪代码：路由策略片段
if (task.type === "generate_core_code") use(Model.HQ);
else if (task.type === "lint_or_format") use(Model.Light);
else if (task.type === "read_logs") use(Tool.LogParser) || use(Model.Fast);
fallback: use(Model.HQ) with few-shot constraints;

数据平台/ETL 编排

• 自然语言 → SQL/作业/调度：自动生成与变更影响分析（Lineage）。
• 质量守护：异常检测、Schema 漂移提醒、失败自愈建议。
• 业务协同：业务同学“教规则”，工程同学“定闸口与回滚”。

-- NL→SQL 示例（简化）
-- 目标：按月统计活跃付费用户 ARPPU
WITH acts AS (...), pays AS (...)
SELECT month, SUM(revenue)/NULLIF(COUNT(DISTINCT user_id),0) AS arppu
FROM ...
GROUP BY month;

AutoML 管理

• Agent 编排 AutoML：数据处理→特征→模型选择→超参→评估→部署。
• 人类在环：验收指标门槛、偏差/可解释性校验、灰度发布。
• 资产沉淀：实验记录、数据卡（DataCard）、模型卡（ModelCard）。

# AutoML 任务 DSL（示意）
task "fraud-detect" {
  dataset: "ods.payments.2025Q3";
  objective: "maximize f1 >= 0.84";
  constraints: ["latency < 25ms", "features explainable"];
  deploy: { env: "staging", canary: 10% };
}

一、治理与安全

• 分级数据策略：P0 代码/数据仅本地/私有模型，P1 可脱敏后出网。
• 白名单：模型/第三方 API/插件/MCP 工具登记备案。
• 操作审计：命令/编辑/提交/发布留痕；SBOM 与许可证扫描。

二、能力建设（CoE）

• 角色矩阵：提示工程、Agent 编排、评测工程、数据治理。
• 知识库：CLAUDE.md/CONTRIBUTING.md/AI_NOTES.md 模板与范例。
• 培训：月度沙龙 + 典型案例复盘 + Prompt 模板库迭代。

三、度量与预算

• 效能仪表：PR 吞吐、Lead Time、缺陷密度、回归时长。
• 算力池：订阅/按需上限 + 路由成本仪表（¥/PR、¥/功能）。
• 对比组：AI on/off 的“AB 团队”季度复核。

四、试点到规模

• Pilot：选 1–2 条稳定业务线；设清晰 SLO 与验收门槛。
• Scale：推广到邻近域；共用工具链与知识库；统一度量。
• 持续改进：每季梳理“失败清单”，反哺 PromptOps 与路由策略。