想请教一下大家，在大公司接入 AI 编程时，有没有遇到过“公司自研框架 / 内部封装太重，AI 理解和处理效果很差”的问题？你们一般是怎么解决的？



我们这边踩过一圈坑，大概是这样：



最开始用 Claude Code + 一堆 skill ，想把公司内部框架的规则和上下文喂给 AI 。结果实际效果很玄学，什么时候触发、触发得准不准，基本像开盲盒。



后来又改成用 hook 做拦截，根据上下文去判断该加载哪些 skill ，于是开始疯狂写路由、写判断、写分发逻辑。表面上更“可控”了，但维护成本也直线上升，系统越来越像在给 AI 外挂一个 AI 翻译层。



再后来还接了 MCP ，尝试让它按需补充证据和上下文，效果有提升，但整体还是没达到“真正好用”的程度。说白了，就是链路越搭越复杂，体验却没有质变，多少有点像给拖拉机装涡轮，声音很大，速度一般。



所以想问问大家：



你们在企业内部落地 AI 编程时，碰到这种“内部框架太重、AI 适配不好”的情况，一般怎么处理？

是靠更细的规则编排、RAG / MCP / hook 这类方案，还是干脆从工程规范、框架抽象、代码组织方式上反过来改？



很想听听一线经验，少踩点坑。