Koko AI 发布垂直切片工作流：从概念验证到可交付原型的关键实践
在 AI 辅助开发的浪潮中，小型独立团队（Indie Teams）常面临一个核心挑战：如何跨越从“概念验证”到“可玩的垂直切片（Vertical Slice）”的鸿沟？Koko AI 团队近期发布了一篇深度技术指南，重新定义了评估 AI 平台的标准，并提出了从概念到交付的系统化工作流。
核心理念：从功能列表转向交付物审查
传统上，选择 AI 工具往往基于其功能列表或首屏展示。然而，Koko AI 指出，真正有价值的评估标准是：可审查的交付物（Reviewable Artifact）与明确的验收测试（Acceptance Test）。
“有用的答案应基于可审查的交付物和清晰的下一步决策，而非功能列表或精美的第一屏。”
这意味着，团队必须首先定义具体的“工作（Job）”，明确目标用户、预期产出、运行环境及验收标准。通过缩小范围，团队能够更有效地对比生成结果与原始请求，从而快速识别并拒绝无关的变更。
构建可控的生产实验
为了将 AI 请求转化为可控的生产实验，Koko AI 提出了以下关键实践：
1. 界定最小作业单元
在开始生成前，团队应编写最小的作业描述，涵盖目标玩家、预期交付物、运行时间、范围及验收测试。必须严格区分“必须生成”的内容与“临时性”内容。
2. 明确跨学科交接标准
当涉及多个系统或学科时，必须在生成前分配所有权。记录设计决策、项目边界、资产假设及需保持稳定的行为。这确保了 AI 输出不仅是代码或资产，更是可被后续开发者理解和维护的生产基础。
3. 基于真实交付物进行验证
不要仅凭系统描述或导出功能就接受声明。必须审查实际产物：
- 可玩结果：测试控制反馈、状态转换及失败恢复机制。
- 代码交接：检查结构、数据所有权、依赖关系及测试覆盖率。
- 商业考量：验证版权、平台要求及性能指标。
实用工作流：从概念到切片
Koko AI 建议遵循以下闭环工作流，确保每一步都有据可查：
- 划定范围：确保单次迭代的工作量可由一人或团队完整审查。
- 生成单一单元：专注于生成或修改一个有意义的功能模块。
- 保持行为稳定：保留实验中未涉及的行为，防止意外破坏。
- 执行验收检查：在目标运行时（Runtime）或设备上测试结果。
- 记录与决策：记录变更内容、需手动修正的部分及下一步计划。
关键指标与决策清单
关键指标 (Metrics)
- 交接成本 (Handoff Cost)：衡量后续团队理解、替换资产或修复 Bug 所需的时间与精力。
- 已知良好检查点 (Known-Good Checkpoint)：记录简报、结果、触动的文件及未决问题，区分原型与生产基础。
- 验收测试可重复性：确保测试流程在不同环境下可复现。
决策清单 (Decision Checklist)
在扩展工作前，团队需确认：
- 交付物是否回答了原始问题？
- 验收测试是否可重复执行？
- 变更边界是否清晰？
- 相关资产与权利是否已记录？
- 下一位接手者是否能无需猜测地继续工作？
结语：人类决策权不可让渡
Koko AI 强调，无论 AI 工具多么强大，人类所有者（Human Owners）始终对设计、工程、版权、QA 及最终生产决策负责。垂直切片是生产学习工具，而非最终成品。只有当团队能够基于观察到的证据做出安全决策（包括缩小范围或停止项目）时，该工作流才真正有效。
通过这套严谨的流程，小型团队可以利用 AI 加速原型开发，同时确保最终产出的质量与可控性。
