摘要：大家好，我是人月聊IT。今天继续聊AI软件工程方面的话题，即我们最近采用ClaudeCode通过上下文工程和VibeCoding的方式完成了一个完整对外商业小项目的交付工作。因此在这里分享下最佳实践
大家好，我是人月聊IT。今天继续聊AI软件工程方面的话题，即我们最近采用ClaudeCode通过上下文工程和VibeCoding的方式完成了一个完整对外商业小项目的交付工作。因此在这里分享下最佳实践
本次规范指南是专为 JeecgBoot 3.8.2+框架设计的 AI 编程系统，基于 Context Engineering 理论和 CoT 推理链，通过 A2A (Agent-to-Agent) 协议集成，实现从需求理解到代码生成的完整 AI 驱动开发生命周期。
ContextDev 方法论深度融合了现代 AI 原生开发的最佳实践，借鉴并扩展了 DeepWiki 和 Context7 的核心理念:
DeepWiki (https://deepwiki.com/) 提出的"AI documentation you can talk to"理念，深刻影响了 ContextDev 的文档工程设计:
交互式知识探索: 将静态技术文档转化为可查询、可对话的活知识库深度代码理解: 通过 AI 深度索引实现对复杂代码库的自然语言探索上下文感知检索: 基于语义理解而非关键词匹配的智能文档检索持续知识演进: 文档随代码库演进自动更新，保持知识时效性Context 基线文档 (context_base_[SYSTEM].YAML): 采用结构化 YAML 格式，支持 AI Agent 直接解析和推理领域知识图谱: 构建可查询的领域知识库，支持自然语言问答和推理链追溯推理模式库: 可复用的推理模板，支持基于历史决策的智能推荐文档即代码: 所有架构决策、需求分析均以机器可读格式存储，实现文档-代码双向追溯Context7 (https://context7.com/) 作为 Upstash 项目，专注于为 LLMs 和 AI 代码编辑器提供优化的文档上下文，其设计理念深度整合进 ContextDev:
MCP 协议集成: Model Context Protocol 作为 AI 工具链的标准通信协议实时上下文管理: 动态维护和更新开发上下文，确保 AI 决策基于最新信息LLM 优化文档: 文档格式针对 LLM 理解和推理能力优化，而非人类阅读体验跨工具协作: 支持多种 AI 编程工具(Claude、Cursor 等)的无缝集成基于 DeepWiki 和 Context7 的理念，ContextDev 进一步创新:
ContextDev/├── agents/ # AI推理Agent定义│ ├── baseline-manager.md # Context基线师│ ├── requirements-analyst.md # 需求推理师│ ├── prototype-designer.md # 设计思考师│ ├── system-architect.md # 架构推理师│ ├── poc-developer.md # POC验证师│ ├── code-developer.md # 实施推理师 (集成@codegen-expert)│ └── quality-tester.md # 验证推理师├── templates/ # Context Engineering模板│ ├── 01-baseline/ # Context基线│ ├── 02-requirements/ # EARS需求推理│ ├── 03-prototype/ # 设计思考│ ├── 04-architecture/ # 架构推理│ ├── 05-poc/ # POC验证│ ├── 06-development/ # 实施推理│ └── 07-testing/ # 验证推理└── README.md # AI编程方法论说明 AI 推理协作链Context Engineering + 推理流程:
Context基线 → 需求推理 → 设计思考 → 架构推理 → POC验证 → 实施推理 → 验证推理↓ ↓ ↓ ↓ ↓ ↓ ↓领域知识构建 → EARS+BDD → 交互设计 → 技术决策 → 技术验证 → 代码生成 → 质量保证文件命名格式: [SYSTEM]-[MODULE]-[TIMESTAMP]-[AGENT]-[TITLE].yaml
示例:
HAIR-CUSTOMER-20250804143000-REQ-客户信息管理.yamlHAIR-CUSTOMER-20250804143000-PROTO-客户信息管理.yamlHAIR-CUSTOMER-20250804143000-ARCH-客户信息管理.yamlHAIR-CUSTOMER-20250804143000-DEV-客户信息管理.yamlHAIR-CUSTOMER-20250804143000-TEST-客户信息管理.yamlAIGC/├── context_base_[SYSTEM].yaml # Context基线和领域知识├── reasoning_baseline_[SYSTEM]_[MODULE].yaml # 推理基线和上下文└── [SYSTEM]_[MODULE]/├── [SYSTEM]-[MODULE]-[TIMESTAMP]-REQ-[TITLE].yaml # EARS需求推理├── [SYSTEM]-[MODULE]-[TIMESTAMP]-PROTO-[TITLE].yaml # 设计思考├── [SYSTEM]-[MODULE]-[TIMESTAMP]-ARCH-[TITLE].yaml # 架构推理├── [SYSTEM]-[MODULE]-[TIMESTAMP]-DEV-[TITLE].yaml # 实施推理└── [SYSTEM]-[MODULE]-[TIMESTAMP]-TEST-[TITLE].yaml # 验证推理└── CONTEXT-KNOWLEDGE/├── domain-knowledge.yaml # 领域知识库└── reasoning-patterns.yaml # 推理模式库# 1. 克隆 superdesign MCP Server 项目gitclone https://github.com/jonthebeef/superdesign-mcp-claude-code.git# 2. 安装依赖cd superdesign-mcp-claude-codenpm install# 3. 构建项目npm run build# 4. 配置 Claude Code MCP 服务claude mcp add superdesign "node /path/to/superdesign-mcp-claude-code/dist/index.js"# 5. 验证 MCP 服务状态claude mcp list# 建立Context基线和领域知识cp templates/01-baseline/context_base_template.yaml AIGC/context_base_[SYSTEM].yaml# 建立推理基线和上下文cp templates/01-baseline/reasoning_baseline_template.yaml AIGC/reasoning_baseline_[SYSTEM]_[MODULE].yaml# Step 1: Context基线师 - 领域知识构建使用 templates/01-baseline/context_base_template.yaml# Step 2: 需求推理师 - EARS需求分析 + 推理链使用 templates/02-requirements/requirement_template.yaml# Step 3: 设计思考师 - 交互设计推理 + MCP 原型生成使用 templates/03-prototype/prototype_template.yaml集成 superdesign MCP Server 进行智能原型生成# Step 4: 架构推理师 - 技术架构推理使用 templates/04-architecture/architecture_template.yaml# Step 5: 实施推理师 - 任务分解推理 + 代码生成使用 templates/05-development/development_template.yaml# Step 6: 验证推理师 - 测试策略推理使用 templates/06-testing/testing_design_template.yaml基于 Context7 的 MCP Server 标准，ContextDev 构建了完整的 AI 工具链生态:
专业原型设计 MCP 服务集成 (受 DeepWiki 交互式探索启发):
ContextDev 系统支持两种主要使用场景，根据用户需求的明确程度选择合适的工作流程：
适用情况：
用户提出宽泛的系统建设目标（如"我想做一个电商系统"、"需要一个客户管理系统"）业务需求不够明确，需要进一步澄清和细化商业目标和功能范围需要确认和界定工作流程：
需求探索 → 商业目标确认 → 系统功能范围界定 → 需求基线建立 → 7-Agent协作链执行操作步骤：
启动需求探索 (agent-1 主导)用户输入: "我想做一个电商系统"agent-1 响应:
- 引导用户明确商业目标
- 询问目标用户群体
- 了解核心业务流程
- 确认技术约束条件商业目标确认 (agent-1 + agent-2 协作)确认内容:
- 业务价值和盈利模式
- 核心功能优先级
- 用户体验期望
- 系统规模和性能要求功能范围界定 (agent-2 主导)输出内容:
- 核心功能清单
- 功能边界定义
- 实施优先级排序
- 技术可行性评估需求基线建立 (agent-1 完成)生成文档:
- context_base_[SYSTEM].yaml
- reasoning_baseline_[SYSTEM]_[MODULE].yaml7-Agent 协作链执行按标准流程执行: agent-2 → agent-3 → agent-4 → agent-5 → agent-6 → agent-7
示例交互流程：
用户: "我想做一个电商系统"agent-1:"我来帮您明确电商系统的具体需求。请告诉我：1. 您的目标客户群体是什么？(B2B/B2C/C2C)2. 主要销售什么类型的商品？3. 预期的用户规模和交易量？4. 是否需要移动端支持？5. 有哪些特殊的业务流程要求？"用户: "主要做B2C，销售数码产品，预期1000+用户，需要手机APP"agent-1:"基于您的描述，我为您规划一个数码产品B2C电商系统。核心功能包括：商品管理、订单处理、用户管理、支付集成、移动端支持。接下来我将建立系统基线，然后启动详细的需求分析..."预期输出：
明确的商业目标和功能范围完整的系统基线文档详细的需求分析文档后续的架构设计和实施方案适用情况：
用户提供详细的系统建设目标和具体功能需求业务需求清晰明确，功能范围已确定可以直接进行技术实施规划工作流程：
需求理解 → 文档架构预览 → 内容摘要确认 → 7-Agent协作链执行操作步骤：
需求理解 (agent-2 主导)处理内容:- 解析用户提供的详细需求
- 识别核心业务实体和流程
- 确认技术约束和集成要求文档架构预览 (agent-1 支持)生成预览:
- 系统模块划分
- 文档结构规划
- 协作链执行计划内容摘要确认 (用户确认)确认内容:
- 需求理解的准确性
- 系统架构的合理性
- 实施计划的可行性7-Agent 协作链执行完整执行: agent-1 → agent-2 → agent-3 → agent-4 → agent-5 → agent-6 → agent-7
示例交互流程：
用户: "我需要开发一个培训管理系统，包含课程管理、学员管理、考试系统、证书颁发等功能，基于JeecgBoot框架，支持多租户"agent-2:"我理解您需要开发一个培训管理系统，核心功能包括：- 课程管理：课程创建、分类、排课- 学员管理：注册、学习进度跟踪- 考试系统：试题管理、在线考试、成绩统计- 证书颁发：证书模板、自动颁发- 多租户支持：数据隔离、权限管理技术栈：JeecgBoot + Vue3 + MySQL是否确认开始详细的需求分析和架构设计？"用户: "确认，请开始"agent-2: "开始执行7-Agent协作链，为您生成完整的技术实施方案..."预期输出：
标准化的需求分析文档完整的系统架构设计详细的开发实施计划全面的测试验证方案 场景选择指南选择场景 1 的情况：
需求描述少于 50 字缺少具体功能描述没有明确的技术要求需要商业模式咨询选择场景 2 的情况：
需求描述超过 100 字包含具体功能清单明确技术栈和约束有清晰的业务流程 快速开始建议融合 DeepWiki 和 Context7 的上下文工程范式:
维度传统文档AI 原生文档 (ContextDev)受众人类开发者LLM + 人类开发者格式Markdown/WordYAML/JSON (结构化)更新手动维护代码-文档同步演进查询关键词搜索语义理解 + 自然语言可操作性阅读参考直接驱动代码生成知识图谱无领域知识图谱 + 推理链版本控制Git commits推理基线 + CoT 追溯# Context Base 示例 - 支持 AI Agent 直接查询domain_knowledge:business_entities:-name:"客户信息"attributes:["姓名","联系方式","会员等级"]relationships:-target:"订单"type:"一对多"reasoning:"一个客户可以有多个订单"reasoning_patterns:-pattern:"CRUD 标准流程"applies_to:["基础数据管理"]decision_chain:-"识别业务实体"-"确定字段类型和验证规则"-"生成标准 CRUD 接口"AI Agent 可以这样查询:
# Reasoning Baseline 示例 - 为 LLM 优化的推理上下文execution_mode:"interactive"project_context:system_code:"CRM"module_code:"CUSTOMER"tech_stack:backend:"JeecgBoot 3.8.2 + Spring Boot"frontend:"Vue3 + Ant Design Vue"reasoning_history:-stage:"需求分析"key_decisions:-decision:"采用多租户架构"reasoning:"业务需要支持 SaaS 模式"alternatives_considered:["单租户","多租户"]chosen:"多租户"artifacts:["CRM-CUSTOMER-20250127-REQ-客户管理.yaml"]LLM 可以基于此上下文:
理解当前项目的技术约束继承历史推理决策保持架构一致性生成符合项目规范的代码传统 Docs as Code:
## 客户管理模块客户管理模块提供以下功能:- 客户信息录入- 客户信息查询- 客户信息修改ContextDev AI 原生文档:
module:name:"客户管理"code:"CUSTOMER"features:-feature_id:"F001"name:"客户信息录入"ears_requirement:|WHEN IF THEN AND bdd_scenario:|Given 用户已登录系统When 用户点击"新增客户"按钮And 用户填写客户姓名"张三"And 用户填写联系电话"13800138000"And 用户点击"保存"按钮Then 系统应显示"保存成功"提示And 系统应返回客户列表页面cot_reasoning:-"客户编号需要唯一性,考虑使用雪花算法生成"-"联系电话需要验证格式,正则表达式: ^1[3-9]\d{9}$"-"保存操作需要事务保护,防止数据不一致"code_generation_hints:entity:"Customer.java"controller:"CustomerController.java"service:"CustomerServiceImpl.java"mapper:"CustomerMapper.java"vue_component:"CustomerForm.vue"优势:
AI Agent 可直接解析并生成代码需求、场景、推理、代码四位一体机器可验证的规范性完整的追溯链路JeecgBoot 代码库深度索引为 JeecgBoot 框架建立可查询的代码知识库支持自然语言查询 JeecgBoot API 和最佳实践示例查询: "如何在 JeecgBoot 中实现多租户数据隔离?"历史推理链检索系统建立推理模式的语义索引基于相似需求推荐历史解决方案示例: "之前类似的 CRUD 模块是如何设计的?"交互式文档问答Context Base 和 Reasoning Baseline 的对话式探索支持追问和深度挖掘示例对话:User: "为什么选择 Redis 作为缓存方案?"System: "根据架构推理文档,选择 Redis 是因为: 1) 支持丰富的数据结构..."
User: "还考虑过哪些替代方案?"
System: "曾考虑 Caffeine(本地缓存)和 Memcached,但最终选择 Redis..."# 未来可能的集成配置deepwiki_integration:enabled:trueindexed_repos:-repo:"jeecgboot/JeecgBoot"version:"3.8.2"index_depth:"deep"# deep | shallowauto_update:truequery_capabilities:-"JeecgBoot API 最佳实践查询"-"框架升级影响分析"-"相似功能实现参考"
应用场景:
Agent-4 (架构推理师) 可以查询 JeecgBoot 最新 APIAgent-6 (实施推理师) 可以参考框架的最佳实践开发者可以自然语言探索 JeecgBoot 代码库# 未来可能的集成配置context7_integration:enabled:truemcp_server:url:"https://context7.com/mcp"libraries:-"jeecgboot@3.8.2"-"ant-design-vue@4.0"-"spring-boot@3.2"auto_context_injection:-stage:"架构推理"inject:["jeecgbootAPI参考","框架约束"]-stage:"代码生成"inject:["最新组件文档","代码示例"]应用场景:
确保 AI Agent 使用最新的框架 API避免基于过时文档的错误决策跨工具 (Claude Code, Cursor) 的一致上下文官网: https://deepwiki.com/核心理念: AI documentation you can talk to技术特点: 深度代码索引 + 自然语言查询应用场景: 快速理解复杂代码库，学习框架最佳实践如何借鉴 DeepWiki:
将 Context Base 文档设计为可查询的知识图谱为推理链建立语义索引，支持自然语言检索实现文档的持续演进和自动更新机制官网: https://context7.com/核心理念: LLM 优化的实时文档服务技术特点: MCP Server + 动态上下文管理应用场景: 为 AI 编程工具提供最新的 API 参考遵循 MCP 协议标准，确保工具链兼容性文档格式优化为 LLM 友好，而非仅面向人类实现上下文的动态管理和智能注入特性DeepWikiContext7ContextDev核心聚焦代码探索文档服务完整开发生命周期推理能力无无7-Agent CoT 推理链代码生成无无JeecgBoot 深度集成需求管理无无EARS + BDD 标准知识沉淀代码索引实时文档推理基线 + 模式库适用范围通用代码库通用框架JeecgBoot 企业应用方法论版本: v7.0技术演进: 融合 DeepWiki 和 Context7 理念Context Engineering: 基于上下文工程理论Reasoning Integration: 完整思维链推理集成MCP Compatible: Model Context Protocol
来源：人月聊IT
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
