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。