网盘代码迁移难题何解？Skill、SubAgent、Agent Team 三项 AI 技术组合提效又提质
让 AI 持续产出，工程结构是关键
用 AI 助力网盘存量代码迁移后发现，让 AI 持续产出可用成果，不仅靠更好的 Prompt，还需能管住它的工程结构。本文不讲概念，只分享项目中踩过的坑、走通的路及沉淀的三层架构方案。
存量代码迁移：AI 接入的背景与挑战
网盘主端有大量存量代码，推进 KMP 多端复用的核心挑战是 "迁得稳不稳"。页面迁移涉及多模块，依赖关系复杂，人工梳理效率低、遗漏率高，AI 直接生成又易出现 "接进工程就不行" 的情况。
最初让 AI 协助迁移，出现了几个问题：同一类操作对话结果不同，AI 每次重新理解任务，输出易漂移；任务越复杂，后期幻觉越多，AI 会生成 "不存在的方法"；并行处理缺乏机制支撑，只能串行，效率低。这对应了后来落地的 Skill、SubAgent、Agent Team 三个方向。
三层方案全貌：协作解决不同层次问题
最终形成的三层组合为：Skill 负责执行、SubAgent 负责调度、Agent Team 负责协作，分别解决不同层次问题。
- 执行层·Skill：解决单点执行不稳定问题，是所有具体任务的执行单元。
- 调度层·SubAgent：解决长链路上下文膨胀问题，负责转化阶段的串行步骤调度。
- 协作层·Agent Team：解决多类型任务串行效率低问题，负责提取阶段的并行分工。
迁移流程分提取和转化两个阶段：提取阶段用 Agent Team 四路并行，同时提取 UI、布局、业务逻辑、资源；转化阶段用 SubAgent 串行推进，按模块生成、资源转化、业务代码迁移、UI 转化顺序执行，步骤间通过 Memory 传递关键产出。每个执行节点由 Skill 保证输出稳定性。
选型依据是任务之间有无强依赖：有依赖、需串行的用 SubAgent；无强依赖、可并行的用 Agent Team；具体执行动作由 Skill 负责。方案稳定性由 Skill 的规范质量决定。
Skill：解决输出不稳定问题
最初认为输出不稳定是 Prompt 问题，但调整后效果不佳。后来发现是没把 "这件事怎么做" 固化，AI 每次重新理解任务，输出自然不稳定。
Skill 把一类任务的执行方式写成可复用规范文件，AI 按规范执行，稳定输出。写 Skill 最有效的是加 Checklist，将步骤拆成可打勾的检查项，降低遗漏率。同时分层管理文件，核心规则放主文件，边界情况和细节处理放 references 目录。
存量代码提取时，把提取和校验拆开，拆成 extractor、validator、fixer 三个独立 Skill。这种 "提取→校验→修复" 的三层结构在代码转化阶段也适用。
SubAgent：解决上下文膨胀问题
在同一对话处理完整迁移流程，后期出现奇怪错误，排查发现是上下文膨胀导致 AI 产生幻觉。SubAgent 把长链路任务按步骤拆开，每个步骤由独立的 SubAgent 处理，有隔离的上下文。
但上下文隔离带来信息割裂问题，通过 Agent - Memory 解决。每个 SubAgent 完成工作后，把关键信息提炼成结构化文件存下来，下一个 SubAgent 启动时读取。如资源转化和 UI 转化步骤，资源转化的 SubAgent 完成后将资源 ID 映射表写入 Memory 文件，UI 转化的 SubAgent 读取后准确处理引用。
Agent Team：四路并行提升效率和质量
解决上下文膨胀后遇到效率问题，页面代码提取的四类文件无强依赖，串行处理耗时累加，且上下文易膨胀、专注度分散。
Agent Team 把四类提取任务分给四个专业 Teammate 并行执行，各自独立上下文，只关注一类文件，对依赖模式理解更深。跨 Teammate 的依赖通过 Mailbox 消息通道实时处理。
相比串行，并行总耗时接近最慢路径，且专注度提升带来提取质量改善更明显。
经验总结
回顾整个过程，有几点经验：Skill 是被真实错误倒逼出来的，迭代过程沉淀团队踩过的坑；上下文膨胀临界点比想象中早，漂移比崩溃更危险，及早拆分任务更划算；Memory 文件要提炼关键信息，而非备份对话历史；并行不仅提升速度，分工带来的专注度提升对任务质量改善更重要。