腾讯广告审核团队AI研发范式：基于MCP工具与模板化方案的全链路代码生成实践

过往基于Tab模式的代码补全对编码效率的提升存在明显天花板，而采用Agent模式生成的代码又在功能完整性、可用性、安全及可维护性方面存在诸多问题，导致最终代码采纳率不理想。基于这些矛盾，腾讯广告审核团队积极探索并实践了一套适合团队且面向未来的AI开发范式，旨在实现从需求确认到功能上线的全链路研发提效。本文将重点介绍通过 “AI技术规范(索引/rules) + 模板化技术方案(prompt) + MCP工具集成 + AI自我总结” 来实现生产力跃升的人机协同新范式。

一、背景与挑战

1.1 背景

AI Code正在引发一场深刻的软件开发范式变革，其角色已从辅助性的“效率工具”，演进为重塑研发、测试、运维全流程的核心引擎。面对业界不断涌现的新范式（如AWS基于规范驱动生成的Spec范式、Lovable基于自然语言直接生成的AI Native范式）以及Cursor、CodeBuddy等工具的快速发展，我们认为AI技术体系已进入可工程化的新阶段。因此，亟需探索并确立一套贴合广告审核团队特性的AI Code最佳实践，以实现研发效率的全面提升。

1.2 现状

审核系统的业务复杂度高，研发模式主要基于现有架构、系统和规范进行迭代，对可用性、可维护性与安全性有极高要求。每个需求从设计到上线，通常涉及跨角色、跨平台、跨模块的庞杂交付工作。目前，研发阶段占全流程的40%，此阶段以人工设计开发为主导，正是利用AI提效潜力最大的环节。

1.3 挑战

尽管AI编程工具在代码生成领域展现出巨大潜力，但在业务逻辑复杂、技术架构厚重的企业级工程实践中，仍需应对来自业务、技术架构与模型自身的三重挑战：

二、业界AI Code实践范式

当前AI编程领域的研发范式呈现快速演进与多元探索的格局。其中，AWS的Spec范式与Lovable的AI Native范式因其鲜明的技术理念与应用效果备受关注。我们对其核心思路、优势差异及适用场景进行了对比分析。

特性维度	AWS Kiro Spec范式	Lovable AI native范式
核心思路	基于规范驱动模型生成代码	基于自然语言直接生成代码
目标用户	专业开发者、技术团队	创业者、产品经理、无代码背景的创作者
工作流程	需求文档 → 设计文档 → 任务清单 → 代码实现	自然语言描述 → AI生成并预览应用 → 反馈调整
核心优势	高可控性，适合企业级应用	极速上手、门槛极低，适合营销活动和展示demo
主要局限	1. 需求/设计/任务清单格式复杂、门槛高<br>2. 研发流程工具集成不够完善<br>3. 不适合已有系统的迭代	1. 不适合定制化的需求实现<br>2. 不适合复杂度高的业务

三、审核AI Code实践范式

3.1 AICode范式定义

围绕“如何让AI更理解业务”以生成更可控、准确、完整的代码，我们在现有系统基础上，探索并沉淀了审核业务场景的AI Code范式。核心是为模型提供更全面、准确的知识，明确告诉模型：“按什么规范、在哪里、做什么、怎么做”，并让模型告诉我们“做了啥”。

1. 什么规范：指需遵循的技术规范，包括安全规范、设计原则、编码风格等，确保生成的代码不仅能用，而且符合团队技术标准。
2. 在哪里：指现有的代码结构，包括仓库目录、层级结构、类/方法描述等，辅助模型精准定位代码路径，确保生成的代码位置准确、架构合理。
3. 做什么：指需实现的业务逻辑，包括概念定义、功能描述、生成范围等，辅助模型精准理解需求，精确生成功能代码。
4. 怎么做：指需完成的任务清单及验收标准，指导模型严格按步骤实现并检查，确保生成过程可控。
5. 做了啥：指AI自我总结，让模型在生成代码后产出总结文档，便于人工Review和后续维护。

结合原有研发流程，我们提炼的AI Code核心范式可概括为：技术方案（①②③） → Prompt（④） → 生成代码 → AI总结（⑤）。该范式以技术方案为起点，通过标准化的Prompt提示词驱动代码生成，并以AI总结完成闭环，整个流程由Agent协同多种MCP工具一站式完成。

我们构建的AI Code开发范式立足于两大支柱：一是稳固的技术基座，依赖于对AI编程工具、底层大模型及效能度量体系的审慎选型；二是标准化的执行流程，核心在于将技术规范、方案设计及Prompt指令进行模板化改造。

3.2 AICode技术选型

• AI Code配套设施：IDE + CodeBuddy插件 + 公司先进大模型 + MCP工具
• AICode度量工具：eplus平台

3.2.1 AI编程工具选型

CodeBuddy在腾讯内生态较为活跃，功能迭代快、内部免费、安全性高，并且集成了混元、deepseek等多个模型，可灵活适配不同场景。因此我们选择CodeBuddy作为核心AI编程工具。

3.2.2 大模型的选择

在审核日常业务需求场景下，我们采用公司先进模型结合iwiki的MCP工具作为代码生成的模型底座，实践中Agent代码行采纳率大于50%。

3.2.3 度量工具的选型

优秀的度量工具是评估成效、设定目标并推动优化的基石。eplus平台支持监控活跃用户数、代码补全采纳率、Agent代码行采纳率等关键指标，帮助团队精准掌握AI编码应用效果。

3.3 AICode过程标准化

为了让AI生成更可控、准确、完整的代码，我们制定了一套标准流程：为AI制定技术规范，将技术方案从“面向人”转变为“面向AI”，同时标准化Prompt提示词，最后要求AI进行自我总结。目前该流程已在审核中心推广，AI实现的需求覆盖率超70%，Agent代码行采纳率超50%，研发时长节约比例超30%。

3.3.1 技术规范制定

为应对审核系统多语言、多框架的复杂技术栈及差异化安全要求，我们为AI代码生成了涵盖安全、工程与代码的规范性标准，确保输出代码在可用性之外，还符合项目的长期技术约束与质量目标。这涉及到对后端与架构中工程规范的深刻理解与应用。

3.3.2 技术方案模板化

为适配AI编程，技术方案的设计思路需进行范式转型：从“易于人类理解”转变为“利于AI识别与执行”。我们推动技术方案的标准化与模块化，将其固化为可复用模板。开发人员仅需根据具体需求微调模板，即可快速生成高质量方案，极大降低了使用门槛。我们将技术方案模板分为以下四层：

• 代码层级结构模板化设计：核心是建立明确的代码组织契约，定义在哪个层级、哪个模块下创建何种职责的文件。这为AI生成代码提供了规范性指引，也为后续维护提供了精准定位地图。
  

• 控制器层模板化设计：主要为前端设计API。需向大模型明确技术契约，包括协议、路径、参数、响应格式等核心约束，确保生成的接口代码可直接使用。
  

• 业务逻辑层模板化设计：Service层承载核心业务逻辑。修改时需向大模型精准指定目标类、方法及具体的功能变更点。
  

• 持久层模板化设计：涉及数据存储接口。修改或新增时，需向大模型提供具体的Dao接口、数据实体类、库表及字段信息。
  

3.3.3 Prompt模板化

为提升大模型对指令的解析精度，降低研发人员使用门槛，我们构建了一套规范化、可复用的Prompt模板，实现了提示词的标准化管理。

3.3.4 AI自我总结

在AI生成代码后，强制其进行自我总结并归档。该文档直接服务于人工代码审查（快速验证是否符合预期）与长期项目维护（留存关键决策上下文），是提升AI代码可用性与可维护性的关键步骤。

四、实践总结

4.1 进展及效果

审核中心已全面推广该范式，实现了人员覆盖率100%、需求覆盖率70%+、Agent代码行采纳率50%以上的效果。

4.2 困难/不适用点

尽管范式已全面推广，但大模型本身依然存在输出发散和逻辑遗漏的问题。同时在项目实现上，也存在大模型不适合处理或存在知识盲区的场景。

五、未来展望

当前AI Code的价值已在编码环节得到验证。为将其增效能力从“单点突破”升级为“全局赋能”，下一步将着力打通开发、测试、部署的全链路协同，并重点探索“需求->技术方案”端到端一站式研发的可行性。这需要持续深入对人工智能领域前沿技术与工程化结合的探索。

结语

本文阐述的“技术方案模板化 → Prompt模板化 → 代码生成 → AI总结”的AI研发范式，是基于腾讯广告审核场景提炼的实践。该范式未必普适，但其核心方法论——将人工分析的需求，通过模板转化为面向AI的技术方案与清晰指令，最终驱动高质量代码生成——具有重要的可迁移价值。希望这一实践能为寻求利用AI提升研发效能的团队提供有益参考。