1. 引言

在软件工程中，最昂贵的成本往往不是写代码，而是理解代码。当团队规模扩大、人员流动、或者项目进入维护期后，大量关键的架构决策和隐性约束会逐渐从文档中流失，最终只存在于少数核心成员的脑海中。这种“隐性知识”的流失，轻则导致新成员重复踩坑，重则引发架构腐化，甚至让整个系统变得难以维护。

传统的解决方案是编写架构决策记录（ADR），但 ADR 的维护成本高、容易被遗忘，且与代码仓库的关联性弱。如今，随着 AI Agent 的兴起，我们有了新的思路：将架构决策与工程上下文直接嵌入到仓库中，让 AI Agent 成为团队知识的守护者和传播者。

本文将探讨如何利用 AI Agent 和架构决策记录，构建一套工程上下文治理体系，把团队的隐性约束留在仓库里。

2. 隐性约束的代价

2.1 什么是隐性约束？

隐性约束是指那些没有明确文档化，但团队成员在开发过程中必须遵守的规则或约定。例如：

• “这个模块的数据库查询必须走只读副本，不能直接连主库。”
• “用户认证流程必须经过网关层，不能绕过。”
• “这个微服务的日志格式必须包含traceId，否则监控系统无法关联。”

2.2 隐性约束流失的后果

当这些约束没有被记录时，新成员或跨团队协作的开发者在修改代码时很容易违反它们，导致：

• 线上事故：绕过网关直接调用内部服务，导致认证失效。
• 性能退化：新代码未遵循缓存策略，导致数据库压力激增。
• 维护成本飙升：代码库中出现大量“特例”和“补丁”，架构逐渐腐化。

3. 架构决策记录（ADR）的进化

3.1 传统 ADR 的痛点

传统的 ADR 通常是一个独立的 Markdown 文件，记录在docs/adr/目录下。它的核心价值在于记录“为什么”做出某个决策，但存在以下问题：

• 与代码脱节：ADR 文件与代码仓库是分离的，开发者修改代码时很少会去查阅 ADR。
• 维护滞后：当决策发生变化时，ADR 往往得不到及时更新。
• 检索困难：当需要查找某个决策时，需要手动翻阅大量文档。

3.2 新一代 ADR：与代码共生

为了解决上述问题，我们需要让 ADR 与代码仓库深度绑定，使其成为开发流程的一部分。具体做法包括：

• 将 ADR 放在代码仓库中：与代码一起进行版本控制，确保决策记录与代码变更同步。
• 使用结构化格式：采用 YAML 或 JSON 格式，便于机器解析和 AI Agent 处理。
• 关联代码变更：在 ADR 中引用相关的 Pull Request、Commit 或代码文件路径。

4. AI Agent 的角色：工程上下文的守护者

AI Agent 可以扮演“工程上下文守护者”的角色，在开发流程的各个环节中主动提供或强制执行隐性约束。

4.1 代码审查 Agent

在 Pull Request 阶段，AI Agent 可以自动审查代码变更，并与仓库中的 ADR 进行比对。例如：

• 如果 PR 修改了数据库访问层，Agent 会检查是否有 ADR 规定必须使用只读副本。
• 如果 PR 引入了新的依赖，Agent 会检查是否有 ADR 禁止使用该依赖。

4.2 开发辅助 Agent

在开发者编写代码时，AI Agent 可以实时提供上下文提示。例如：

• 当开发者开始编写一个新的 API 端点时，Agent 会提示：“根据 ADR-0012，所有新 API 必须遵循 RESTful 规范，并包含版本号。”
• 当开发者尝试绕过某个中间件时，Agent 会警告：“该操作违反了 ADR-0034 中关于认证流程的决策。”

4.3 知识检索 Agent

当开发者遇到问题时，可以直接向 AI Agent 提问，Agent 会从仓库中的 ADR、代码注释和 Commit 记录中检索相关信息，并给出准确的回答。例如：

• “为什么这个服务使用了消息队列而不是直接调用？”
• “这个模块的缓存策略是什么？”

5. 实践方案：构建工程上下文治理体系

5.1 第一步：建立 ADR 仓库

在项目根目录下创建adr/目录，并使用标准模板记录每个架构决策。模板应包含：

---id:ADR-001title:使用消息队列解耦订单与库存服务status:accepteddate:2026-07-01context:订单服务与库存服务之间存在强耦合，导致部署和扩展困难。decision:引入 RabbitMQ 作为异步消息队列，订单服务发布事件，库存服务消费。consequences:系统复杂度增加，但提升了可扩展性和容错性。related_code:-path:"order-service/src/main/java/com/example/order/event/"-path:"inventory-service/src/main/java/com/example/inventory/consumer/"

5.2 第二步：训练 AI Agent

使用仓库中的 ADR 数据、代码注释和 Commit 记录，训练或配置一个 AI Agent。这个 Agent 需要能够：

• 理解 ADR 的结构和内容。
• 关联 ADR 与代码文件。
• 在代码审查和开发辅助中提供上下文。

5.3 第三步：集成到开发流程

将 AI Agent 集成到 CI/CD 流水线和 IDE 插件中：

• CI/CD 集成：在 PR 创建时，自动触发 Agent 进行上下文审查，并在 PR 评论中输出审查结果。
• IDE 集成：开发者在 IDE 中编写代码时，Agent 以插件形式提供实时提示和警告。

5.4 第四步：持续迭代

定期回顾 ADR 的有效性，并根据代码变更和团队反馈更新 ADR。AI Agent 可以自动检测 ADR 与代码之间的不一致性，并提醒团队更新。

6. 案例：一个微服务团队的实践

假设有一个微服务团队，他们面临以下问题：

• 新成员经常忘记在日志中包含traceId，导致排查问题困难。
• 开发者偶尔会直接调用其他服务的数据库，破坏了服务边界。

6.1 记录 ADR

团队创建了以下 ADR：

• ADR-005：所有服务必须使用统一的日志格式，包含traceId。
• ADR-006：禁止服务之间直接访问数据库，必须通过 API 调用。

6.2 配置 AI Agent

AI Agent 被配置为：

• 在代码审查时，检查日志语句是否包含traceId。
• 在代码审查时，检查是否引入了对其他服务数据库的直接依赖。
• 在 IDE 中，当开发者编写System.out.println时，提示使用统一日志框架。

6.3 效果

• 新成员的上手时间从 2 周缩短到 3 天。
• 因违反隐性约束导致的线上事故减少了 80%。
• 团队对架构决策的共识度显著提升。

7. 总结与展望

将隐性约束留在仓库里，不仅仅是记录文档，更是构建一套让 AI Agent 能够理解、执行和传播工程上下文的治理体系。通过将架构决策记录与代码仓库深度绑定，并利用 AI Agent 的自动化能力，团队可以：

• 降低知识流失风险：即使核心成员离开，关键决策依然保留在仓库中。
• 提升开发效率：开发者无需频繁打断他人，即可获得准确的上下文信息。
• 保障架构一致性：AI Agent 在开发流程中自动强制执行隐性约束。

未来，随着 AI Agent 能力的进一步提升，我们甚至可以期待它主动发现新的隐性约束，并建议团队将其记录为 ADR。工程上下文治理，将从一个被动的文档工作，转变为一个主动的、智能化的系统能力。