13
第 13 章：会议录音→PRD→TDD→代码——AI-Native 团队的知识工作流
一些曾经更激进的想象，我们有钱有人力后，可以开始试验：将所有的会议录制→生成字幕→生成 PRD→生成 TDD→生成 code draft。
"一些曾经更激进的想象，我们有钱有人力后，可以开始试验：将所有的会议录制→生成字幕→生成 PRD→生成 TDD→生成 code draft。"
延伸阅读：这个 pipeline 如何融入更广泛的 AI-Native 工作流循环，参见AI-Native 工作流：Plan–Act、Test–Code、Doc–Code–Doc。为什么小团队特别适合这种方法，参见AI-Native 小团队的结构性优势。用户故事如何与这个 pipeline 连接，参见AI Coding 的五个等级与 User Story Driven 终局。
1. 一个“激进”但可行的愿景
在 May 2025 修订里，提到了一个完整的知识工作流 pipeline：
- 会议录制 → 生成字幕/转录
- 字幕/转录 → 生成 PRD
- PRD → 生成 TDD（技术设计文档）
- TDD → 生成 code draft
- Code draft → 人类 review 和 refine
这个 pipeline 的完整形态是：
"可以使用 browser use 做中介，转发内部的所有知识（包括代码库）到 Gemini Web。以此提升团队内部所有工作的生产力。结合新的 flowith、Manus 等工具。这个内部的工作平台将成为每一个岗位、每一个成员的主要工作平台。"
2. 为什么这个 pipeline 对小团队特别有价值
对于新团队、小团队来说，历史债务少，没有那么多“遗留系统”“历史包袱”，可以快速地把所有知识都收集到这个平台上。它们可以“全环节 AI 化”：大公司可能只能在 10 个环节里革新，小团队可以在 100 个环节里都 AI 化，最终的整体效率会远超大公司。小团队的知识密度也更高，更集中，更容易被 AI 完整理解和处理。
这个 pipeline 的核心价值，是把“非结构化知识”变成“结构化资产”：会议录音、讨论、设计稿，这些过去“散落在各处”的知识，现在可以自动转换成代码库的一部分。它减少了“信息丢失”——过去会议里的决策、讨论、设计思路，可能只有参会的人记得，现在可以全部记录下来，让 AI 帮助后续的开发和维护。它也让“知识工作”变成“可自动化”的：不只是写代码，连“理解需求”“设计系统”“写文档”这些工作，也可以让 AI 参与进来。
3. 技术实现路径
核心工具链：
会议录制和转录
- 使用现有的会议工具（Zoom、腾讯会议等）的自动转录功能
- 或者使用专门的转录服务
Browser Use 作为中介
- Browser Use 可以让 AI 访问内部系统、代码库、文档库
- 把转录的文字、代码库、相关文档，一起转发给 Gemini Web
Gemini Web 作为“知识处理中心”
- 100 万 token 的上下文，可以一次性加载整个项目的知识
- 让 AI 理解“会议讨论的内容”和“现有代码库/文档”的关系
Flowith、Manus 等工具作为“工作流编排器”
- 自动化的 pipeline：转录 → PRD → TDD → Code
- 每个环节都可以有人类 review 和确认的 checkpoint
4. 另一个用例：运营内容的批量生成
除了“会议 → 代码”这个 pipeline，还有一个实际用例：
"使用通用 MCP，集成 manus、flowith 等工具，如运营需要生产 100 个场景内容，Agent 自动完成这个任务，人肉确认通过后，就可以导入我们平台。这个 Agent 将成为全团队浏览器的首页，是所有工作的入口和起始点。"
这个用例展示了，AI 可以处理“重复性、批量性”的工作：运营需要 100 个场景内容，人类写会很累，但 AI 可以批量生成。人类只需要做“确认和把关”，生成的内容 review 通过后，就可以直接使用。这个 Agent 也可以成为“工作入口”——不只是写代码，所有需要“批量生成内容”的工作，都可以通过它完成。
5. 这个 pipeline 的挑战和限制
主要挑战：
质量把控
- AI 生成的 PRD、TDD、代码，质量可能不稳定
- 需要人类在每个环节都认真 review，不能“全自动”
信息准确性
- 会议录音的转录可能有错误
- 转录 → PRD 的转换可能丢失关键信息
- 需要人类确认每个环节的准确性
上下文管理
- 如果项目规模超过 10M token，Gemini Web 也无法一次性加载
- 需要更复杂的 Context 选择策略
实际落地建议：先从小规模开始试验，在一个小项目、小团队里试验这个 pipeline，积累经验。每个环节都要有人类 checkpoint，不能“全自动”，每个环节生成的内容都要人类确认。还要定期回顾和优化，如果发现某个环节总是出问题，就调整 pipeline 的设计。
6. 这个 pipeline 的未来
虽然这个 pipeline 现在还处于“激进想象”阶段，但随着 AI 能力的提升，它可能会成为 AI-Native 团队的“标准配置”。开完会，PRD 就自动生成，人类只需要 review 和 refine。技术设计文档也可以从 PRD 自动生成，人类只需要确认技术方案的合理性。代码 draft 从 TDD 自动生成，人类只需要 review 和测试。过去散落在各处的知识，现在都变成代码库的一部分，“可搜索、可理解、可复用”，AI 可以随时调用。
7. 小结
会议录音 → PRD → TDD → 代码，这个完整的知识工作流 pipeline，虽然现在还处于“激进想象”阶段，但它展示了 AI-Native 团队的一个可能未来：
所有知识工作，都可以被 AI 参与和加速。
人类不再需要“手动整理需求”“手动写文档”“手动写代码”，而是让 AI 先做一遍，人类只需要 review 和 refine。
对于小团队、新团队来说，这个 pipeline 特别有价值，因为：
- 历史债务少，可以快速落地
- 可以“全环节 AI 化”，效率提升会非常明显
- 知识密度高，AI 可以完整理解和处理
虽然现在还处于“有钱有人力后可以开始试验”的阶段，但随着 AI 能力的提升和工具链的成熟，这个 pipeline 可能会成为 AI-Native 团队的“标配”。