AI驱动的缺陷全自动修复

一、背景：AI提效带来的新问题

核心矛盾：天平失衡

核心命题

AI让「造」变快的同时，必须通过缺陷修复全链路自动化让「修」跟上节奏；Prompt是战术，体系化建设才是根本。

二、端到端自动修复体系设计

5阶段闭环流程

两大贯穿原则

自进化机制

用户反馈、测试用例自动沉淀回流，每一次修复都成为下一次的训练材料，实现「越用越聪明」。

三、实践经验：难点与重点

核心认知：工程>算法

水面之上可见的是算法/Prompt技巧，水面之下决定持续价值的是上下文工程、Hook兜底、评审证据链、知识库治理、反馈回流等工程体系。

模型「猜」的问题根源

两大解决重点

（1）上下文分层递进加载

规则：上下文断链立即标记「信息不足」，进入下一层补全，禁止硬猜

（2）分阶段产物+Hook检测

通过工程规则兜底，不依赖模型自觉，每个阶段输出标准化产物，Hook校验不通过则阻断流程。

四、趋势与扩展思考

长期价值排序

项目知识沉淀>工程化体系>模型能力：前两者可长期沉淀进化，是抗模型迭代风险的「地基」。

两类应用场景策略

通用规律

日志是跨项目最稳定的「通用语言」：缺陷上下文提供方式、复现/验证方式因端/技术栈而异，但链路分析均可基于日志实现。

Hook规则写法详解

Hook本质是流水线中的每个质量门禁，通过「规则引擎+脚本校验」实现，不依赖模型自觉，强制拦截不符合规范的产物。

通用Hook框架（所有阶段通用）

# hook定义模板（以分析阶段为例） hook: id: analyze_root_cause_check name: 根因结论依据校验 stage: analyze # 生效阶段：report/analyze/fix/test/review trigger: post # 触发时机：pre（阶段前）/post（阶段后） condition: # 触发条件（逻辑表达式） - type: output_field_check field: root_cause_report operator: exists # 必须存在根因报告 - type: regex_match field: root_cause_report pattern: "依据上下文:.+" # 必须包含依据声明 action: # 拦截动作 type: block # block=阻断流程，warn=警告不阻断 message: "根因结论未标注依据来源，请补充上下文引用后重试" fallback: # 失败兜底 type: trigger_sub_flow sub_flow: context_completion # 触发上下文补全子流程

各阶段具体Hook规则示例

上下文分层实现逻辑详解

上下文分层的核心是按需加载+断链即停，避免一次性喂入过多无关信息导致模型幻觉，同时降低推理成本。

上下文存储架构

context-store/ ├── L1_bug_knowledge/ # 全局通用规则 │ ├── log_spec.yaml # 日志规范 │ ├── error_code.yaml # 错误码定义 │ └── common_patterns.json # 常见缺陷模式 ├── L2_repo_knowledge/ # 仓库级知识 │ ├── schema/ # 表结构索引 │ │ └── order_table.yaml # 订单表字段+索引定义 │ ├── commit_history/ # 提交记录索引 │ │ └── index.json # 按文件/功能索引的提交记录 │ └── api_contract/ # API契约 ├── L3_project_knowledge/ # 项目级知识 │ ├── module_diagnosis_tree/ # 模块故障诊断树 │ │ └── export_timeout.yaml │ ├── team_conventions/ # 团队约定 │ └── boundary_conditions/ # 隐性边界条件 └── L4_dynamic_instrumentation/ # 动态插装策略 ├── sql_profiler.yaml # SQL执行计划插装规则 └── runtime_capture.yaml # 运行时变量捕获规则

分层加载逻辑（伪代码）

def load_context(defect, current_layer=L1): # 1. 始终加载L1基础上下文 context = load_L1_context() # 2. 判断是否需要加载更高层级 if is_simple_defect(defect): # 简单缺陷（如空指针异常）：L1足够 return context # 3. 尝试L2仓库知识 if current_layer >= L2: repo_context = load_L2_repo_context(defect.module) context.merge(repo_context) # 检查上下文是否充足 if check_context_sufficiency(context, defect): return context # 断链：标记信息不足，准备升级层级 mark_insufficient_context(defect, missing_fields=["sql_execution_plan"]) # 4. 尝试L3项目知识（复杂/跨模块缺陷） if current_layer >= L3: project_context = load_L3_project_context(defect.project) context.merge(project_context) if check_context_sufficiency(context, defect): return context # 5. 最后尝试L4动态插装（根因不明时） if current_layer >= L4: dynamic_context = trigger_dynamic_instrumentation(defect) context.merge(dynamic_context) return context def check_context_sufficiency(context, defect): # 校验上下文是否覆盖缺陷分析所需的最小字段集 required_fields = get_required_fields(defect.type) for field in required_fields: if field not in context: return False return True

场景落地示例（订单导出超时缺陷）