得物数仓开发痛点突破：2024年AI Coding工具权威测评与选型指南

在数仓开发实践中，得物团队深度整合AI Coding工具，显著提升了工程效率。以Claude Code为核心，团队已成功将开发人员从大量重复性工作中解放出来。然而，随着应用的深入，一系列工程层面的挑战也随之显现。

首要挑战是AI的上下文遗忘问题。在持续的多轮开发对话中，Claude Code时常丢失关键的业务上下文，例如核心数据字段的计量单位。这种遗忘绝非小事，一个被忽略的单位可能导致最终生成的SQL逻辑出现根本性偏差，致使数据结果产生千倍级别的误差。其根本原因在于，当对话长度逼近模型上下文窗口上限时，AI会主动对历史信息进行压缩与丢弃，破坏了上下文的连贯性与完整性。

其次是开发规范执行的波动性。在项目周期紧张的高压状态下，人工对编码规范的遵守率会降至60%-70%。即便依赖AI来记忆并提示规范，其实际执行率也仅能维持在70%-80%。这清晰地揭示了一个事实：单纯依靠人或AI的记忆来维持规范是不可持续的。根本的解决方案是将规范沉淀至系统底层，通过自动化流程进行强制校验。

最后，在面对庞大复杂的业务需求时，AI工具的局限性更为突出。复杂的任务描述会迅速耗尽有限的上下文窗口，加剧“失忆”现象，导致错误率显著上升。为系统化应对这些挑战，得物团队提出了“Harness”工程理念。其核心是为代码生产流程设置智能“护栏”，通过机制保障而非人为记忆，确保每一次提交都符合预设的质量轨道，从而系统性降低人为失误风险。

“Harness”工程的关键，在于将文档化、口头化的开发规范，转化为可执行、可触发的系统级自动化检查。通过一系列预置钩子（hooks）与自动化工具链，对AI的代码生成能力进行增强与补足。团队的长期目标是通过此类工程化手段，彻底消除开发过程中的随机性与不确定性，使AI在复杂的数仓开发环境中，成为一个稳定、可信的高效协作者。

划重点

AI的“失忆”问题：长对话场景下，AI对关键上下文的遗忘可能导致SQL逻辑错误，引发数据结果的量级差异。

规范执行不稳定：高压环境下，人与AI对规范的遵守率均会衰减，必须依赖系统化、自动化的管控机制。

Harness工程的提出：通过构建自动化检查“护栏”，将开发规范升级为系统强制执行的检查点，从流程上保障交付物的稳定与可靠。

来源：互联网