学员问题 107 条
自动化测试(16 条)
- Q-测试-01如何利用 AI 进行搭建自动化测试工具
- Q-测试-02系统冒烟 AI 工具(利用 AI 搭建工具,可以进行系统冒烟测试)
- Q-测试-03如何利用 AI 工具高效搭建测试全流程(前后端接口、异常边界覆盖)等,提升交付质量
- Q-测试-04模型运行环境受限,当前模型无法在我们的内网开发环境中运行,很多环节需要人工在内外网之间搬运;计费系统的测试验证难度大,规则配置繁多,场景无法穷举,单点验证无意义,必须端到端全链路对 缺口
- Q-测试-05代码写完后如何使用 AI 快速完成自测(整个接口,不是简单的单元测试),特别是需要发布测试环境,前后端联调的那种
- Q-测试-06代码写完后如何使用 AI 快速发布测试环境、构造测试可用的数据(包括 redis、es 等)
- Q-测试-071. 公司内网可用的模型有的不支持图片理解能力,导致需求文档有 UI 原型的时候,AI 大模型输出测试用例不够齐全,这个现有的模型能否能支持多个能力;2. 后续实现 UI 自动化, 缺口
- Q-测试-08目前,针对功能的测试场景覆盖较好,但对业务场景的覆盖仍显不足。接手人员自己都未必了解这块业务的全貌,非常依赖测试人员的个人经验。以追溯回溯举例:一条电路/号码(省内)的生命周期「新
- Q-测试-09希望了解已有的自动化测试案例,以及是否会遇到无法通过自动化进行测试的业务场景?如果有的话如何把自动化测试与人工测试相结合
- Q-测试-10后端代码写完后如何使用 AI 快速完成自测(整个后端接口,不是简单的单元测试),特别是需要发布测试环境,前后端联调接口的那种,并且涉及构造测试可用的数据(包括 redis、es、m
- Q-测试-11改造仅提供代码列表甚至仅表名,目前只能分析到上层调用,无法定位业务入口、推导业务场景,如何识别影响范围和验证范围?
- Q-测试-12仅提供接口文档与功能描述,如何快速生成支持动态入参、可持续更新、持续运行的自动化测试脚本?
- Q-测试-13接手人员不熟悉业务全貌时,如何依托这套能力自主完成业务场景回归?
- Q-测试-14AI 容易产生幻觉、对内部复杂业务理解常有偏差,产出常偏模板化,如何能更高效且更精准的让 AI 理解
- Q-测试-15CRM 这边调 CSF 接口做压测,不知道怎么调 CSF,AI 生成的压测脚本不符合实际调用规则,用不起来 缺口
- Q-测试-16全流程自动化测试中,完整描述了菜单流程、登录等操作,AI 完全进不去菜单,捕捉不到焦点、点不了元素 缺口
模型、工具与 Token(15 条)
- Q-模型-01在需求分身 -> 设计分身 -> 研发分身开发中,按这个流程开发,token 消耗量有点大,在交互中需要常常回顾文档和进行上下文压缩,耗时耗 token,如何能提升并优化
- Q-模型-02做文档材料时,需要读取文档的所耗费的 token 经常很大,有没有办法可以在节省 token 的情况下完成文档类工作
- Q-模型-03每次 AI 处理文件过程中,尤其是长流程的,如果自己在 AI 处理未结束的情况下,点击了某个文件的保存,可能会出现非 AI commit 提交,能否优化 缺口
- Q-模型-04每次 git init 的项目,首次 git commit 都会当做非 AI commit,建议优化 缺口
- Q-模型-05当某个 svn 项目转成 git 项目时,首次会出现巨量非 AI 提交,导致贡献率暴跌,是否可以给到一个「忽略关键词」,只要 commit 的 msg 中有该关键字,就忽略贡献率的 缺口
- Q-模型-06有些 AI agent 处理文件方式,非直接修改代码,而是通过脚本或命令,直接对文件进行复制或批量处理,也可能造成非 AI commit 的误判,能否优化 缺口
- Q-模型-07架构原理:主要是想了解 AI 的执行过程、执行细节,目的是自己具备实现常用 AI 工具的能力 缺口
- Q-模型-08模型 AI 能力迭代优化:从模型层出发,如何植入某个垂直行业或领域的知识经验、做好垂直行业模型
- Q-模型-09当使用 agent 设计原型时,常常会遇到 AI 在原型图中「添油加醋」,不可否认有些部分完善后确实更加实用,但多数情况下仍是使原型更加冗余沉重,在构建 agent 或提示词方面该 缺口
- Q-模型-10存量项目,未来是否支持对接类似 figma 这种 mcp 能无缝对接原型设计给出改造方案(墨刀、蓝湖等) 缺口
- Q-模型-11AI 工具优秀使用场景
- Q-模型-12模型分析效果如果比较差,如果对其进行优化
- Q-模型-13AI 工具实现的原理 缺口
- Q-模型-14如何避免一个不太复杂的问题,被 AI 复杂化导致 token 使用暴增
- Q-模型-15公司要求用内网 A 度工具(香港区域),用其中的 chat 时速度很慢,输出效果与预期有差别 缺口
需求与产品方案(14 条)
- Q-需求-01方案关联飞书文档,生成飞书流程图/泳道图,方案整体偏业务场景而不是详细设计
- Q-需求-02目前与客户对接需求经常都是通过面对面讨论和微信聊天进行,整个过程有时候耗时较长,是否可以使用 AI 加快理清需求
- Q-需求-03目前,AI 生成的技术文档能够详细描述功能流程、表模型、接口规范和技术栈,但对局方更关注的端到端业务流程、跨系统协同及变更影响面,AI 能把单个功能「怎么实现」写清楚,却难以站在局
- Q-需求-04需求梳理:与客户/业务方的需求多通过会议、面谈、聊天消息沟通,过程零散、反复确认耗时长;希望借助 AI 自动整理沟通记录,提炼需求要点、角色与业务规则,形成结构化需求清单和待确认问
- Q-需求-05方案落地性:AI 产出的方案偏理想化,对存量系统的历史约束、业务特例和兼容逻辑理解不足,难以站在整体业务视角讲清业务如何贯通、变更影响范围与验收口径;希望结合项目知识库,输出可落地
- Q-需求-06方案文档与图示:希望 AI 把方案关联到飞书文档,自动生成业务流程图/泳道图,内容聚焦业务场景而非技术详设,方便与业务方对齐
- Q-需求-07需求变更应对:需求中途变更时,希望 AI 快速梳理变更影响面,同步更新需求文档与方案,避免人工逐项比对出现遗漏;也希望能了解同类产品经理岗位可复制的 AI 提效落地案例
- Q-需求-08业务理解不深,对收付中心这类复杂场景常漏功能点(如审批回调、消息通知),得反复补 prompt
- Q-需求-09文档格式难控制,生成的飞书文档排版常出问题,标题编号、表格格式都要手动调 缺口
- Q-需求-10专业内容不准,涉及具体表名、参数配置时容易臆造或出错,还得人工核对修正
- Q-需求-11AI 可以快速产出单条业务场景下的产品方案与功能说明,但很难理解业务背后长期的业务规则、历史遗留约束,生成的方案只适配理想化场景,一旦叠加真实业务特例、历史兼容逻辑,方案就无法直接
- Q-需求-12介绍下需求分析这对于输入有什么要求,才能保证需求分析的结果是可信的,AI 可能会编造看似合理的数字,多轮对话中数值还会变化
- Q-需求-13需求文档无法直接输入成 AI 想要的内容,客户文档模板无效内容太多
- Q-需求-14初步使用 AI 进行需求分析,效果不太理想;是否有比较理想的成功案例可以分享
存量知识库(14 条)
- Q-知识库-01项目级知识库的搭建(如何对一个存量系统进行知识库的搭建,共享使用,并持续迭代)
- Q-知识库-02项目级知识库的搭建与维护(如何对一个存量系统进行知识库的搭建,共享使用,并持续迭代)
- Q-知识库-03基于 SDD,context 中依赖业务流程和规则文档、核心数据模型文档等,有没有大数据类的经验沉淀文档可以共享
- Q-知识库-04能否提供一个知识库构建数字分身? 缺口
- Q-知识库-05在 AI 项目开发过程中,会逐步积累大量项目背景、业务规则、接口信息、数据口径、约束要求等认知。如何把这些零散的项目认知做结构化沉淀、统一落库,搭建项目专属知识库,让 AI 开发环
- Q-知识库-06构建 AI 对存量代码的分析、转化为知识沉淀;并可以在缺陷修复以及需求开发中提供更加可靠的方案
- Q-知识库-07存量项目的规约生成,如何更规范更准确生成新技术方案
- Q-知识库-08如何更有效地构建 AI 对存量项目的完整认知,使其在面对新需求时能输出更贴合现有架构与规范的方案设计,降低人工纠偏与多轮交互成本
- Q-知识库-09在生产区(内网隔离、无法连接外网),团队已有共享目录,但知识长期停留在个人目录中,故障定位,故障处理,工单核查,数据一致性核对这类经验没有形成组内资产,内网环境无法使用外部工具或在 缺口
- Q-知识库-10项目知识库搭建最优实施路线(知识库选型),涵盖资产清单、接口规范、解决方案等
- Q-知识库-11在人员高流动背景下,如何借助 AI 赋能,实现新入职人员业务能力的快速承接与掌握?
- Q-知识库-12知识库到底应该构建成什么样子?试过两种:按业务场景整理规则输出(工作量大、后期维护麻烦)、按知识原子拆解(让 AI 把代码分解成一个个知识原子,但怎么串起来模糊) 缺口
- Q-知识库-13知识库建成后到底给谁用、怎么用:是给 AI / 智能体做输入(切片、向量整理、问答调用),还是给人打开文档逐篇检索
- Q-知识库-14全栈需求涉 2–3 个前端 + 3–4 个后台,SDD 生成知识图谱耗时巨大;图谱只存本地不归档 Git,团队多人开发同一大需求时怎么共享
运维 AI(13 条)
- Q-运维-01运维工作 Skill
- Q-运维-02脚本同步工具(平时修生产数据(比如某批数据状态错了要批量修复、要给存量数据补字段),后端会写一些 SQL / 数据处理脚本。这个工具就是把这些脚本统一提交到平台 → 审核发布 → 缺口
- Q-运维-03寻求一种非人工的自动记录运维事件处理过程的方案
- Q-运维-04内网部署 AI,可自动化配置并部署应用,发布应用 缺口
- Q-运维-05知悉整个系统架构,可以快速读取并分析日志,定位并解决问题 缺口
- Q-运维-06主机运维自动化,包括资源管理,组件升级,配置调优等
- Q-运维-07同时讲解 AI 在调试与联调中的应用:根据日志/异常快速定位问题、生成测试用例与验证 SQL、辅助接口自测,把时间花在业务判断上而不是找问题上 缺口
- Q-运维-08自动采集飞书当天各类聊天记录,自建运维题库,每一题根据聊天记录/数据库数据/代码自主分析排查解决步骤 缺口
- Q-运维-09目前,现场人员工作普遍饱和,甚至过载,很难安排专人持续整理业务群中各类问题的排查过程和解决方案。同时,不同人员接触的业务和问题类型有限,处理经验分散在个人手中,其他人遇到同类问题时 缺口
- Q-运维-10基于 AI 在运维方面工作发展趋势,了解公司当前有哪些可落地的借鉴举措
- Q-运维-11开发蒸馏为 Agent Skill,有哪些好方式来定义及规范 AI 安全边界(比如知识安全及系统操作安全),与如何验证或确保 Skill 的安全性
- Q-运维-12如何快速有效的通过 AI 工具发现预警生产故障 缺口
- Q-运维-13AI 是否可直接提供某个业务逻辑代码涉及的需求,或多个需求编码;用户除故障报障外,也会对部分业务逻辑质疑,需要完整解释业务限制的原因,及涉及的需求编码
SDD 落地(11 条)
- Q-SDD-01SDD 本身环节多、产物重。一个需求从启动到归档,要经过需求澄清、设计、拆解任务、代码实现、验证、归档等几个环节,每个环节都有明确的文档产物,而且每环节产物都是承上启下,环节之间不
- Q-SDD-02有时候中途变更需求。实际开发中经常遇到这样的情况:一个需求的全部文档已经生成完毕,代码也已经在开发,但还没有发布,这时业务侧突然提了一个变更。由于 SDD 的文档之间存在强依赖关系
- Q-SDD-03一个需求可能会设计到多个人开发,那这样情况下 SDD 开发范式如何配合?
- Q-SDD-04四成提效,其实还有进一步提升的空间,目前的主要瓶颈在测试环节,测试占用了整体开发周期的很大一部分时间
- Q-SDD-05自从 TSG 专家 9 月份指导情况,目前基于分身的研发生产基本已经普及,但是如何规范大家按范式使用是个难题(目前的情况是有的人常用、有的人偶尔用),希望得到这方面的指点
- Q-SDD-06当前 SDD 范式中需求变更频繁,前一会生成的 spec 下一秒就会被推翻重做,且会存在变更没有及时告知的情况,希望能有这方面的先例且怎么应对的工作流分享
- Q-SDD-07目前使用 SDD 开发,生成的文件大多是给 AI 看的,是否有更好的方案和规范,可以生成人工可以更快更好更容易的熟悉了解对应的需求或者项目
- Q-SDD-08存量业务下 AI-SDD 支撑不足:易遗漏老系统隐式逻辑、历史坑与脏数据,AI 按理想模型实现而踩历史债务;常过早固化 Spec,变更成本高,陷入全链路重生成;生成代码缺少可观测链
- Q-SDD-09AI-SDD 的 md 产物 AI 看懂了,人却看不懂了,导致理解偏差。如生成的 design.md 文档,很细很好,但是可能就要人也要耗费大量时间去读懂这个文件,时间花费的地方发
- Q-SDD-10AI 生成代码之后,后续要对该需求进行变更,增补,往往需要重新进行 AI 分析,而不是通过人可读的文档进行快速分析/研判,SDD 沉淀下来的文档多为「AI 语言」,对于人来说可读性
- Q-SDD-11期望了解 SDD 应用较好的全生命周期的案例,差异化的项目包括老代码库庞大、耦合深这种是否适配
代码质量与研发(10 条)
- Q-代码-011. AI 辅助遗留系统(jQuery / FreeMarker + Java 老架构)的代码理解与改造提效;2. 现有 AI 工作流介绍与落地指引
- Q-代码-02根据项目代码与需求文档,系统梳理前端开发需要覆盖的功能模块、页面交互、接口联调、权限路由、公共组件、兼容适配及性能体验等工作范畴,明确前端开发边界和具体内容,并整理输出前端需求文档
- Q-代码-03目前遇到的问题是使用 AI 在迭代需求开发,涉及到全流程改动时,AI 改动代码范围较大,人工审核耗时,并且人工审核代码时出现漏改的情况
- Q-代码-04怎么写出高效准确的提示词 缺口
- Q-代码-051. AI 开发完的代码,如何自动 review 和纠错,提高代码质量;2. 提供其他省能解决一线痛点问题且有效的实战案例分享
- Q-代码-06希望获得可直接落地的提效方法:把现有规范(`/macao/...` 路径、`com.ai.ec.oc.bmo` 命名、统一响应格式)沉淀为提示词/模板,实现 Controller
- Q-代码-07希望 TSG 讲解如何用 AI 快速建立「页面 → Controller → BMO → 外围接口」的全链路认知:一个业务(如新上台填单)改动前,如何让 AI 自动梳理调用链、影响
- Q-代码-08不太能感受到目前 AI 针对数据开发岗的提升,无论是从业务理解还是 SQL 的性能方面均达不到预期,唯有需求及产品角度略有成效,想学一下实际大家在应用中的场景及效果
- Q-代码-09如何防止 AI 写的代码看不懂,对于一些新的逻辑或者改动比较大的,写出来的代码就太高级了,AI 味很重,功能是有的,但是人眼很难阅读,调试也麻烦
- Q-代码-10认知负债——全部都是 AI 跑出来的,人没有参与,内容没有固化到人的意识里,不知道具体细节做了什么;隐患只有到后面、出现生产问题时才发现 缺口
横切带 · 信息同步与共享(10 条)
- Q-横切-01用 AI 工具整理的业务文档,容易是单点的。每个人不同的工具,不同的大模型,输出的文档内容都是各自的知识库内容。可以分享,但是很难协作一起完成。有没有什么办法,大家群策群力,共同完 缺口
- Q-横切-02AI 提效实践:想了解 AI 提效比较突出的案例(可复制、可实际落地执行),提高效率
- Q-横切-03想具体了解在产品从提出到落地的流程中,具体哪些方面是适合使用 AI、哪些方面是不能使用 AI 的? 缺口
- Q-横切-04插件市场不够完善,没有方便且稳定的渠道获得好用的 skill 缺口
- Q-横切-05同事使用过或自己创建了优秀的 skill 没有一个共享的平台可以让大家一块用起来
- Q-横切-06我们现在用的 trae 企业级账号,天然具备 skill 共享,希望能集成一些优秀的 skill(案例集市筛选)
- Q-横切-07每个员工会用 AI 做自己提效的 skill,会不会出现很多类似功能的,但是又很个性化的,这种情况有没有办法避免
- Q-横切-08有没有实际的案例可以分享
- Q-横切-09个人效率提升 X 倍,团队整体研发时长只缩短很少。我们回收的「编码时间」,是被重新投入到了更有价值的工作上,还是被评审、返工和协调重新吃掉了?我们能怎么重新定义这个开发流程? 缺口
- Q-横切-10AI 更新迭代速度很快,该怎么去学习
数字员工 / 智能体(4 条)
- Q-数字-01调用现有 PC 端接口和新写接口分析时,发现调用大模型来输出再通过卡片渲染展示最终效果会很慢
- Q-数字-02业务报表类的:部分报表是结果报表,分析稍微好一些,但是清单级的,在 SKILL 中有约束规则,但实际碰到一些新问题时,智能体经常会自动乱起八糟分析,只能通过把所有的指标都写清楚才能
- Q-数字-03目前国际公司需要开发佣金数字员工,实现佣金数据的智能问答,目前方案使用飞书智能体 + 本体平台实现,回复比较慢,有没有其他数字员工案例能快速查询业务系统数据并快速响应
- Q-数字-04智能体构建:智能体架构、组件、框架,如果结合 AI 模型构建垂直行业的智能体,比如经营分析系统有很多数据,如何不断提升 AI 执行的准确性、确定性