GitLab AI Development Workflow

Their approach includes automatically loading active tasks and blocked items at session start, enabling 15-30 minute focused development windows, and supporting parallel work on multiple merge requests using git worktrees.

They've also automated repetitive tasks like weekly epic status reporting and contributed optimized code to GitLab API and OpenCode plugin.

从混乱到有序：上下文驱动的 AI 开发工作流实践 来自 GitLab 团队博客，团队认为：AI 时代开发效率的瓶颈从原来的工具能力，转为了上下文。管理上下文的能力、识别问题的判断力，以及持续打磨工具的底层能力。 about.gitlab.com/blog/building-… # GitLab 团队优化后的 AI 工作流长什么样？ · 优先级主动送上门：会话启动时，AI 自动加载活跃任务、阻塞项、历史决策，并按他定义的顺序呈现（搁置事项 → 他人评审请求 → 待回答问题 → 自己被阻塞的 MR）。他不再花时间想"该做什么"。 · 专注范式改变：过去深度开发需要数小时不被打扰；现在 15–30 分钟的碎片窗口就能开工，因为 AI 负责瞬间重建上下文。 · 并行多 MR：用 git worktree + 隔离测试数据库 + "认领机制"（claiming system），多个 AI 会话同时推进多个 MR，互不踩踏。 · 重复任务程序化：如每周 epic 状态汇报，AI 自动拉取数据、对比上周、生成增量报告。 · Token 效率工程化：他甚至为 GitLab API 和 OpenCode 插件贡献了优化代码，并自建本地 MCP 服务器封装常用模式——让工具做数据收集，LLM 只做推理。 # 五条核心经验 1. 指令要"外科手术式"精确，不要模糊 关键技巧：当 AI 犯错时，不要只纠正它，而是问它"什么指令能防止你下次再犯"，然后让它记下来。久而久之形成一套贴合自己实际工作流的指令集（AGENTS.md 体系），而非泛泛的最佳实践。 2. 并行会话需要"协调原语" 多会话并行的问题本质是经典的并发编程问题：竞态、重复劳动、互相删除。解法也类似——认领/释放（claim/release）、状态追踪、上下文共享。作者为此构建了 opencode-memory：一个持久化语义记忆系统，后来长成包含 76 万+ 代码实体、1.5 万+ 记忆、2.7 万+ 链接的知识图谱，并与 GitLab 官方的 Orbit（SDLC 知识图谱）打通——本地记忆管会话级上下文，Orbit 管跨 SDLC 的全局视图。 3. 动手前先查重 AI 把"从想法到原型"的成本压缩到一周，导致大量人独立造出雷同的轮子（他发现 PyPI 上早有同名包）。他的自省很尖锐： "我是认真查过是否已有方案，还是 AI 让写代码太容易，以至于我跳过了所有尽职调查？" 能贡献就不要分叉——他选择给 OpenCode 的 GitLab 插件提交改进，非 fork。 4. 从"主动回忆"到"被动上下文注入" 记忆系统建好后的下一步，是让 AI 无需提示就自动想起相关上下文：提到 MR 编号，历史决策自动浮现；准备写评论，评论规范自动加载。30 天内自动注入有效率达 91%，显式调用记忆工具的次数从平均 17 次降到 0。剩余的失败案例促使他加了"启动门"（boot gate）——强制 AI 在动手前先停下来加载指令。 5. AI 仍然做不到的事 全文最有分量的部分。AI 能稳定执行程序、能被要求改进自身指令、能在有原语时协调——但它不会隐式地察觉问题：感觉不到流程别扭，不会意识到"这周第三次踩同一个坑"，没有多年凌晨两点调试生产系统磨出来的模式识别。 作者的亲身案例：AI 热情地构建功能，同时在自己的工具里引入并发 bug、用同步操作把自己阻塞——它毫无察觉。人指出架构缺陷后，AI 几分钟就修好了。模式是：人发现问题，AI 快速执行修复。 # 底层认知：两层递进 1. 投资工具本身（磨刀）：不要试图安顿进某个"新常态"，工具下周可能就过时。正确姿势是把工作流本身当作优化对象——他为 AI 辅助开发的需要，直接给 GitLab 贡献了新的 API 端点。形成正循环：更好的工具 → 更高产能 → 更多余力改进工具。 2. 代码已成商品，判断力才是报酬来源："我们不再主要靠敲代码获得报酬，要靠知道什么代码应该存在。" AI 放大人的判断——好决策和坏决策都会被放大。Vibe coding 能走很远，但即便经过最彻底的 AI 评审，设计上的质量保障与深思熟虑，AI 尚不能独立提供。📊 1 ⚡

This report is categorized under AITOP's "How-to" desk. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include GitLab, AI development, context management, workflows.

Source attribution: curated from shao__meng (@shao__meng).