——知识:把成熟项目经验变成流程的默认输入
这是《嵌入式 AI 落地手记》的第七篇。上一篇讲了技能怎样约束工作过程,这篇讲另一件同样重要的事:AI 做设计和编码时,怎样参考我们已经在成熟项目里验证过的架构与程序模式。
AI 不是不会写,而是不知道我们为什么这样写
知识库出现之前,我们最初那个新项目就碰到过这个困难。想让 AI 写出基本符合公司代码模式的程序,需要大量人工描述和修改:这层该放什么,模块怎样命名,接口为什么这样约定,哪些老项目的做法可以沿用。
AI 能给出一种看起来合理的实现,但“合理”有很多种。我们需要的是它理解并沿用我们已经在真实项目里验证过的那一种。
设计尤其吃力。大约半年前,我曾把一部分原因归结为嵌入式开发自由度高、缺少足够统一的框架,AI 见过的优秀设计也可能不够。这只是当时的阶段性判断,我不打算把它当成今天仍然普遍成立的事实。
更确定的是另一件事:至少对我们自己的项目,AI 当时缺少的不是一段编程知识,而是我们的设计依据。
知识库不是重放前临时补的插件
这个需要在第一次新项目试用时就已经出现。那时我就发现,让 AI 完成一致的设计和编码很困难。知识库因此在 8 月上旬开始建设,早于 9 月的彻底改版。
接下来的将近一个月,我从几个已经量产的成熟项目里提取程序架构和各功能模块的设计模式。仓库里留下了 61 次提交,首版形成 55 个模式条目,后来又增加检索服务和反馈机制,并在重放中继续修改。
选择这些项目,不是因为老代码天然正确,而是其中的做法至少经受过真实约束。提取时还要把那些因为历史原因形成的合并和偏离单独标出来,避免把当时的权宜之计一并继承。
所以它不是新体系跑通以后才补上的荣誉勋章,也不是只在某次验证里临时使用的参考资料。它从真实困难里长出来,现在是新项目流程的默认组成部分:之后的设计和开发都会参考其中定义好的系统架构与程序模式。
提取的是设计判断,不是老代码答案
首版知识库大体有两层内容。
一层是公共架构:各层分别负责什么、依赖方向怎样约束、跨模块数据怎样流动、代码怎样命名、目录怎样组织。另一层是模块模式:一个可独立复用的功能项,应该怎样设计接口、状态、数据流和配置项。
比如模块生命周期被整理成统一的几类接口:初始化、周期处理、进入休眠、唤醒恢复。即使某个模块在休眠和唤醒时没有实际动作,也保留约定的空实现。原因很简单:主循环可以用同一种方式编排所有模块,不必为个别模块不断增加特例。
每条知识也不只写“怎么做”,还要写“解决什么、不解决什么”。接口契约、调用时机、可变与不变、不同部署方式的落点,都尽量写清楚。项目相关的参数留在可变区,模式里不内置某个项目的特殊数值。
因此,AI 拿到的不是一段让它照抄的老代码,而是一套可以据此重新设计的判断框架。老项目里那些因为历史原因合并、绕路的实现,也不会因为曾经存在就被当成标准答案。
召回只是粗筛,采用还要细判
知识库通过检索服务提供给技能使用。它不是重新训练模型,也不需要把几十个项目的内容一次性塞进上下文。AI 接到具体任务时,才按项目特性检索相关条目。
新项目开始时,先根据特性点找出可能相关的知识,再把条目之间的依赖补齐。比如一个功能模式还依赖底层驱动或公共生命周期,就不能只召回最上面那一篇。工程师只需说明产品有什么,不必额外背出每一项底层依赖。
一次实际设计召回过 19 个候选条目。它们不是全部照搬:有的采用,有的因为项目没有对应前提而拒绝;有的需要读全文,有的低风险基础条目只看摘要就足够,装配需要更多细节时再回读。
其中还有一条一开始判断可以采用,追问之下才发现,它要解决的问题在当前项目里根本不存在,于是改判不采用,并把这次偏离回报给知识库。
这个过程说明,特性点匹配只负责把候选找出来。条目是否适用,仍然要对照当前项目的事实判断。知识库提供经验,不提供免审通行证。
知识内容也只维护一个来源,再由检索服务提供给大家。这样可以减少每个人复制一份、各自修改后形成的版本分叉。
只维护一个来源还有一层现实考虑:知识库浓缩了多个成熟项目多年的经验,本身就是需要保护的资产,无条件分发出去,风险难以控制。做成服务以后,每个人按任务需要取用其中一部分,服务端保留完整的访问记录。这不能杜绝内容被拷贝,但万一出现问题,事后追查有依据。
知识库怎样保鲜
检索服务目前还会记录调用和反馈。AI 可以上报某条条目被采用或拒绝的原因、项目实现与条目不一致的地方,以及建议补充的新模式。
这些反馈只是事实记录,不会自动修改知识条目。是否把一次偏离变成新的变体,是否修改原有契约,仍由维护者判断。反馈积累以后,再定期汇总,看哪些条目经常被否决、哪些偏差反复出现、哪些特性点没有知识可召回。
后来的重放和真实项目反馈,已经实际走过这道裁决。有一条模拟量有效性规则,原本想统一处理所有输入通道;项目中发现不同通道的语义并不相同,最后删掉了这条规则,而不是继续补例外。也有反馈被判定为项目特例,或者本身就是 AI 对协议理解有误,没有进入知识库。还有一批新模式暂缓入库,等项目稳定后再决定。
新条目的来源也不只是回看过往项目。实际使用中找不到知识的特性点、反复出现的同类偏差,都可以成为补充候选。候选先由 AI 协助起草,再由人裁决是否入库,反馈和结论之间仍然隔着一道人工策展。
这与技能的反馈闭环是相通的:收集问题不难,难的是把问题变成下一次更好的行为。至于让知识库依靠使用反馈自动进化,目前还只是设想,不是已经实现的能力。
我自己的使用感受是,知识库提供以后,设计和代码一致性的改善很明显。首版知识里的偏差也在后来的重放和真实项目中陆续暴露,有些修正了条目,有些则让我们删掉了原本想当然的规则。默认使用它和持续怀疑它,必须同时成立。
踩坑与教训
如果你也想从项目里提取知识,我建议不要一开始就做大而全的资料库。先选几个反复出现、团队已经有稳定做法的模块,把架构边界和接口契约写清楚,再写它什么时候不适用。
也不要只保存“最佳实践”的结论。一个模式解决什么问题、依赖什么前提、哪些部分允许变化,往往比一段标准代码更有用。缺少这些边界,AI 很容易把曾经正确的方案用到一个前提并不成立的新项目上。
知识库真正的价值,是让经验能够跨项目被找到、被理解、被修正,而不只是被保存。
下一篇
到这里,工程骨架、技能和知识库都已经就位。它们单独看起来都有道理,但只有放在一起执行,才知道哪些地方真的顺、哪些地方仍然费力。
下一篇讲重放验证:我用与人工开发相同的原始资料,让 AI 把一个已经完成的项目重新做了一遍。