让AI写出生产级代码：阿里妈妈效果广告引擎AICoding实践

一、引言：“严肃场景”的AI Coding并非唾手可得

随着大模型技术的迅猛发展，AI Coding 已成为提升研发效率的关键手段。然而，在大型、复杂的生产系统中，直接使用通用 AI 编程模型往往陷入 "能用但不好用，可用但不可信" 的困境：

通用 AI 编程模型在单点、明确的任务（如函数补全、单元测试生成、简单逻辑实现）上表现尚可，但在复杂系统的开发中难以胜任

目前主流实践仍停留在 "vibe coding" 阶段——开发者凭直觉编写提示词，再通过人工整合与验证结果，效率与可靠性均受限

实际工程项目普遍存在模块高度耦合、质量要求严苛、上下文庞杂等问题，而通用模型缺乏对私有代码库规范与系统语义的理解

本文将分享阿里妈妈效果广告引擎团队在 AI Coding 领域的探索与实践经验。依托历时三年打造的 CommonAds 研发体系，我们构建了智能研发助手

「元芳」

，并通过集成至 IFLOW-CLI 以多 Agent 协同的方式，探索出一套可胜任于「严肃的广告引擎场景的高质量代码生成解决方案」，具体包括以下三个关键维度：

AI Friendly的架构支持： CommonAds 研发体系在设计之初即具备良好的 "AI 友好性" ——模块解耦清晰、接口规范统一、上下文可追溯，为大模型生成高质量、高可靠性的代码提供了坚实基础。

规范驱动的多Agent方案： 「元芳」代码生成体系的核心设计理念——"规范驱动、上下文工程、Agent优先"，在此基础上构建一整套规范体系，这是实现稳定、可控AI编码的根本保障。

工程化落地实践： 通过 IFLOW-CLI 与 元芳 MCP Server 的深度集成，我们将上述理念转化为可运行、可扩展的工程能力。借助架构设计、能力沉淀与工具链闭环，真正实现了 AI Coding 在大型生产系统中的规模化应用。

本文完整作者：加比，零言，山衍，应灵，潇劼

二、前置探索：引擎代码资产的AI Friendly重塑是AI Coding的重要前提

1. AI友好的引擎架构

阿里妈妈效果广告投放已全面进入跨渠道时代，这意味着同一产品能力需在搜索、展示 等多个引擎中实现。面对大量跨渠道业务探索和迭代需求，传统的独立建设支持垂直业务发展的广告引擎1.0版本以及统一引擎基座的2.0版本已显得力不从心。

我们的做法是

构建一个具备统一业务抽象且提供细粒度能力供复用的CommonAds层

，来帮助各引擎间实现能力拉通，确保全域投放的一致性和高效迭代，进而最终走向各引擎全面拉通的3.0时代。

阿里妈妈效果广告引擎经过3年的建设，持续将内部多个广告引擎的

能力进行沉淀、复用

，最终形成了现在完善的CommonAds研发体系，其

多层解耦

的架构天然具备

AI-Friendly

特性，是我们探索高质量代码生成的基石。

多层架构，职责清晰：

Util层

：底层的通用工具层，包含各种框架能力、数据处理能力等

Helper层

：对数据表的原子操作进行封装，以方便用户对表执行各种通用操作

算子层

：用户自定义算子，完成一个具体而独立业务逻辑的组装

子图层

：引擎外部可感知的图结构定义，实际代码部署的基本单元

核心优势，AI友好：

✅ 每个层级职责单一，层内接口清晰。不互相耦合，只有调用关系

✅ 代码细粒度、注释丰富，易于被大模型理解与生成

✅ 任务拆解路径明确，避免"不知道在哪写、怎么写"的模糊地带

2. 与AI编码流程的完美契合

图1、CommonAds与AI编程的清晰对应关系

在此基础之上 ，我们建设了阿里妈妈-效果广告引擎的智能研发助手

「元芳」

，依托 CommonAds

清晰的体系架构

和

明确的编码规范

来驱动大模型进行高质量代码生成。

基于「元芳」的代码生成能力，我们在近半年成功实现引擎中不少新增核心算子由大模型生成入库，初步验证了当架构和规范足够清晰时， AI 在大型系统中规模化编码的可行性。

我们认为，真正的AI编码应该是严苛约束下的精准工程。「元芳」的核心逻辑在于：通过明确规范做“减法”，收敛大模型自由度以实现确定性；通过丰富上下文与多 Agent 架构做“加法”，沉淀领域知识并强化执行能力。在推进代码生成能力落地的过程中，我们构建了一套完整的解决方案，具体围绕

3个设计原则

和

1套规范体系

展开。

原则一：规范驱动

核心理念：

AI编码不是自由发挥，而是在

严格编码spec

（编码术语澄清、复用接口查询、接口编码规范 等等）指导下的增量开发

正向循环：

规范驱动AI生成 → 分析生成效果 → 优化接口设计和编程规范 → 提升AI生成质量

原则二：上下文工程约束

核心理念：

AI的能力边界，由我们对工程体系的抽象深度和规范完备性决定，这些信息以

各种形式的上下文

加载给模型

实现路径：

元芳的工作重心在于构建各类可查询、结构化的

上下文知识库

，并将其转化为模型可理解的提示词与验证规则

原则三：Agent优先

核心理念：

AI编码不是简单的代码生成工具，而是具备推理、规划、决策能力的

智能体（Agent）

，以期最大程度释放大模型的智能

价值释放：

传统模式止步于"prompt in, code out"，而Agent模式解锁了AI的系统性思维。它能处理模糊需求、应对复杂场景、在不确定性中寻找最优解，成为真正的智能研发助手

直接让大模型端到端地完成从需求到代码的生成是不切实际的。因此，我们将整个

代码开发流程拆解

为若干明确的阶段，每个阶段由专门设计的

智能体（Agent）

负责执行，并通过一系列

上下文工程

为其注入丰富且高度相关的上下文信息。这种多Agent协同的架构不仅提升了整个流程的可扩展性，也增强了其可解释性。

图2、多Agent合作的代码生成全流程

基于上述原则，我们构建了

一套规范体系

：为需求到代码的每个阶段都明确相关规范、可检索知识库和其他辅助信息，并将这些内容作为上下文动态加载至对应的Agent中。此举显著提升了各阶段输出的准确性与一致性，有效抑制了模型幻觉，使最终结果更贴合预期。具体来说包括：

研发过程拆解

：需求判断 → 编码依赖 → 编码执行 → 风格对齐 → 单测完善

编码可见代码提取

：筛选高质量、易复用的工具接口，用于模型代码生成时的功能复用

引擎编码基础知识

：广告引擎中 子图/算子 等基本概念的澄清，确保正确生成/使用相关接口

CommonAds编码规范

：代码风格、颗粒度要求等，代码生成过程中遵循，并通过检查脚本强制约束

CR记录的编码细节

：历史CR信息抽取，作为编程规范的增量信息，针对性优化

单测接口使用

：编写单测所用的统一接口，以及单测覆盖率统计脚本

图3、覆盖全流程的编码规范

四、技术实践：基于 IFLOW-CLI 与 MCP Server 的工程化落地

图4、元芳MCP Server架构

首先我们完成了

开发环境适配

，使得团队同学可以在开发机中使用IFLOW-CLI，并支持在IFLOW中执行代码编译、构建等必须的开发操作。

图5、在开发所用容器环境内使用IFLOW

基于IFLOW支持的

Tools、Hooks、Agents、Memory

等多种拓展形式将「元芳」的各种 编码计划生成、可用接口检索、编译验证、使用日志捞取 等等能力，进行实现和沉淀，并统一通过

元芳-MCP Server

部署。具体而言：

Servers：

广告引擎多个不同用途的MCP server通过元芳的自动化流程同步到用户IFLOW本地

Tools：

对于编码阶段所需的各类规范、所需要查询的各类引擎编码知识信息，这些基本能力我们都以工具形式统一提供。

Agents：

我们对于需要执行复杂流程，或者基于结果持续修复的需求，建设了一批Agents

Hooks：

元芳所涉及各类配置、功能的拉取和更新，用户使用日志的捞取和上传等都通过Hook进行实现

Memory：

沉淀CommonAds代码库一些框架知识、接口概念、引擎黑话等，避免用户重复输入给IFLOW

数据回收与分析：

记录IFLOW和元芳的使用日志，再和最终入库代码做关联来统计AI浓度及分析编码效果

图6、MCP Tools示例

图7、Agents示例

接下来通过一个具体的示例来展示「元芳」完成 "从需求到代码" 的完整流程。

1. 需求说明：

子图：广告主 × 流量场景xxx参数调整能力

1. 背景与目标

当前观测到，在部分流量场景下 xxx参数存在低估，为优化商业效果，需在特定流量场景下，对符合条件的广告主进行参数调整，以优化广告展现效果。

2. 功能逻辑说明

系统需执行以下逻辑：

2.1 判断是否命中参数调整策略：

○ 根据当前请求的 流量场景 code 和 广告主id，组合生成 query_key，规则如下：

○ 查询广告主黑名单数据表，若 query_key 存在于表中，则跳过系数调整；

○ 若不在黑名单中，则继续下一步。

2.2 获取并应用参数修改：

○ 从实验参数配置中读取两个动态参数：

■ target_code：目标流量场景 code（整型）

■ ratio：参数提升系数（浮点型，如 1.3 表示参数 ×1.3）

○ 若当前请求的 流量场景 code 等于 target_code，则将原始算法参数乘以 ratio 作为最终参数；

○ 否则，保持原始参数不变；

需求的

基本功能说明

，作为给IFLOW的原始输入。

2. 整体流程：

首先，通过

「编码计划生成Agent」

根据用户输入的需求说明产出一份详细的

编码计划

，将其作为蓝图用于指导后续代码生成的全流程。

图8、编码计划生成Agent的system_prompt示例

图9、用户与Agent的交互流程示例

基于编码计划的产出规范，Agent根据用户的输入并与用户进行

多轮交互

，以确定需求所涉及的各种细节用于产出正确、完整的

编码计划文档

。在这一过程中，会额外调用

「接口检索Agent」

来针对本次任务涉及的功能在CommonAds代码库中找寻

可复用的高质量接口

：

图10、接口检索Agent

图11、接口检索Agent返回结果

完成上述流程后，已经获得了：

详细的需求说明、完整的实现细节、可用的接口列表

，再

基于memory

中CommonAds的

编程知识、引擎黑话

等信息，「编码计划生成Agent」就可以产出一份详细、完整的编码计划：

图12、编码计划文档

产出的编码计划文档，其内容包括：

详细的功能说明、输出输出表的结构、具体完整的执行步骤、可用接口列表、部分示例代码

。 再基于这份编码计划，通过

「代码生成Agent」

生成对应的业务代码。

图13、代码生成Agent

图14、生成的python结果代码

图15、生成的c++结果代码

完成业务代码生成后，通过

「单测生成Agent」

产出对应的单测。并通过调用

「覆盖率验证工具」

的方式给大模型提供

「尝试-验证-纠错」

的空间，以

持续修复代码逻辑和提升单测覆盖率

，保证了代码生成的质量。如下所示：

图16、生成的c++单测文件

图17、单测及覆盖率优化流程示例

图18、单测及覆盖率优化执行结果

完成上述流程后，进入提交代码CR前的最后一步：代码验证环节。通过

「代码验证Agent」

对于不符合CommonAds代码库入库要求的代码自动进行

代码拆分优化、统一代码风格

等处理，此时代码质量基本处于可入库的状态，即可进入人工CR环节。

图19、代码验证Agent执行结果

3. 最终效果：

✅ 代码风格与编程规范完全对齐CommonAds代码库

✅ 正确复用代码库中已有的高质量接口，避免重复造轮子

✅ 函数设计合理，保持细粒度。同时注释完整

✅ 单测风格统一，覆盖率高，有效验证各种场景的正确性和鲁棒性

✅ 除需求细节确认外，基本全流程自动化，用户介入少

六、未来展望：夯实AI-Friendly基础，延伸AI研发的“左右两端”

在夯实当前AI Coding能力的基础上，我们正从思路延伸与基础巩固两个维度同步推进，以构建更完整、更智能、更可持续的下一代研发体系。具体来说：

思路延伸： 致力于实现端到端智能研发（需求 → 可实验分支）的完整研发流程，持续完善各类规范、建设优化编码知识库、打通需求到部署的全流程自动化，并基于用户反馈持续迭代代码生成效果。

基础巩固： 针对CommonAds代码库中部分历史代码可读性不足、耦合度高的问题，我们将采取“架构师主导、AI执行”的人机协同模式，通过批量重构核心支撑层来提升代码的可读性与易用性，并持续丰富知识库内容，使引擎代码更易于被AI理解与使用。