多仓库 AI 编码智能体的知识管理实践
AI 总结
一个团队介绍了如何在主仓和二十多个业务仓中使用 Claude Code 与 Codex。其开发流程按 K0、K1、K2 划分知识加载层级,将业务 Spec 放在对应代码仓中,并让目标仓库 worktree 的规则优先于业务线和主仓的通用默认规则。开发过程中不更新正式知识,而是在交付验证后统一核对并回写。向子智能体派发任务时,团队要求明确传递任务定义、任务 ID、目标 worktree 路径、规则文件路径,以及适用 K0 规则的正文和来源。文章介绍了这些做法作为该团队自身的运行模式。
深度见解
该实践提供了一套具体方法,用于控制编码智能体的上下文、解决规则冲突、向子智能体传递规则,以及在多仓工作流中让正式业务知识与经过验证的代码变更保持同步。
这个系列记录我们团队怎么让 Claude Code 和 Codex 参与整个研发流程。开发阶段拆成三篇:上一篇(AI-SDLC 实践 05)讲了多仓库的工程结构——用一个主仓登记二十多个业务仓库,Agent 统一在主仓启动,代码则写在每个业务仓库从基线切出来的 worktree 里。这一篇讲开发阶段的知识库,下一篇讲 D2C。
让 Agent 真正进项目写代码,光看得懂语法不够,它至少得知道两类东西:一是团队的编码规范和架构约定,二是当前这个页面、这个模块的业务规则。
最常见的起步做法,是把能想到的要求全塞进 CLAUDE.md 或 AGENTS.md。但这套做法很快就会撞墙:文件越塞越长,上下文被大量无关规则挤占;更麻烦的是,真实的业务规则散落在文档平台、二十多个代码仓和老员工脑子里,根本塞不进单个引导文件,塞进去了也没人维护。