如何用AI使软件交付团队真正提效

几个月前写过一篇AI4SE，聊的是怎么把AI用在软件工程里。那篇文章的落点在工程师个体的实践，但这半年我越来越强烈地感受到一个问题，个人效率的提升并不能自动转化为组织效率的提升，甚至可能适得其反。

精益生产的道理讲了几十年，其实不新鲜。局部最优不等于全局最优，流水线上一个工位干得再快，下一个工位接不住，快出来的产出就变成堆在过道里的库存，占空间吃资金，最后还得返工。软件工程同理，代码写得快但需求没想清楚，快出来的就是技术债；测试跟不上开发节奏，Bug排着队等后面爆发；架构缺乏约束，每个人各写各的，集成时才发现南辕北辙。

端到端的效率提升才是真正的效率提升，仅仅代码写得快只会带来成本的上升。

上一篇AI4SE聊的是个人实践，但AI要真正改变研发效能，靠个人不够，得在组织层面落地。精益和敏捷并没有因为AI的到来而过时，做事的方式变了，做事的道理没变，这一点对软件交付团队乃至一人公司（OPC）都一样。

正确敏捷

《正确敏捷》这本书里讲了三层意思，做正确的事，用正确的方式做事，用正确的节奏做事。拆开看每句都像废话，合在一起就是一个完整的行动框架。AI改变了什么？方式和节奏。需求分析、架构设计、代码编写、测试，AI几乎能在每个环节帮上忙，效率的提升实实在在，交付节奏自然跟着加快。但"做正确的事"这一条从来没变，用户需要什么，市场需要什么，先做什么后做什么，这些决策的质量决定了一切努力的方向。AI再快也快不过一个错误的方向。

很多团队在AI加持下疯狂产出代码，做出来的东西没人用。速率提高了，价值没有提高，做了更多正确的废品。精益几十年前就讲明白了，最大的浪费是做了不该做的事情。

怎么管

"正确敏捷"如果只停留在价值观层面，那不够。管理层面得回答几个具体的问题。

先说规范。首当其冲的一件事，SDD（Specification Driven Development）应该被视为架构的一部分。以前谈架构，想到的是技术选型、模块划分、数据流，但在AI参与编码的时代，规范本身就是最重要的架构约束。Agent.md、CLAUDE.md、项目编码规范、API契约、测试标准，这些文档既是给人读的也是给AI读的，定义了"用正确方式做事"的边界。没有这些约束，AI就像一个天赋拉满但毫无纪律的队友，产出极多，方向每次都不一样。

再说产出的度量。User Story仍然是软件价值交付的最小单元，这一点没有变。变的是交付批次可以放宽到Epic Story级别，因为AI让单个迭代能做的事情变多了，颗粒度可以适当放粗。其实"帽子"一直都不重要。不管前端、后端、测试还是产品，重要的是价值被交付了没有，速率是否在提升。一个人撑起一家公司和二十个人组一支团队，在这个标准面前并无区别。

然后是团队。什么样的研发组织才配称"AI Native"？我自己的答案是四个词，面向价值、全功能、拥抱AI、自我迭代。面向价值好理解，注意力始终对准最终用户，不沉迷技术炫技；全功能意味着团队具备端到端交付的能力，不在工序衔接上制造浪费；拥抱也不难，默认用AI去处理能用AI处理的环节；最难的可能是第四个，自我迭代，团队得有变革的意愿和行动力，不等着被推着走。

什么样的人适合这样的团队？我观察下来有四种特质，但说到底指向同一件事，面向结果，持续进化。直接解决问题，不绕弯不甩锅；主动拥抱AI，相信它的价值也清醒于它的边界；学习能力足够强，能独立建起可信的AI工作流，这类人在效能上可以是同侪的十倍；最后是自我迭代的意愿，愿意不断否定和更新自己的认知与做法。

规模化

方法论理顺之后，规模化才是硬仗。

需求是源头。需求质量不行，后面所有环节都在替前面的模糊买单。我们在实践中用AI工作流辅助需求分析，不论用Bmad这类框架还是自建流程，核心目标就是让PRD、Epic Story、User Story这些制品的质量足够高、颗粒度足够细。AI天然擅长把模糊的东西结构化，这恰好是需求分析最稀缺的能力。

架构一致性和规范一致性是另外两道关口。DDD划清领域边界，ArchUnit在编译期恪守架构规则，Unit Test和BDD反过来验证架构是否被正确实现。AI生成的代码量大了，偏离架构的概率也跟着大了，没有自动化的守卫机制几乎守不住。规范这一层我在SDD那段已经讲过，补充一点，Doc as Code是人机协同的知识体系，统一的Agent.md、CLAUDE.md，统一的spec，统一的编码标准，这些制品在AI时代的价值是过去的十倍。以前规范写了没人看，大不了代码审查时拉回来；现在AI不看规范，二十个Agent朝二十个方向写代码，合在一起就是一堆不可维护的废墟。

测试是我反复在讲的重点。自动化测试体系建设应该是研发团队在AI时代的第一优先级，这话说得绝了些，但我是认真的。契约测试守住服务间的接口一致性，集成和功能测试验证模块协作与业务逻辑，性能测试兜底。没有这些安全网，AI产出的代码越多，系统崩溃的风险越大。好在测试本身也是AI能大幅加速的领域。

帽子的问题倒是简单。所有角色都还在，产品、开发、测试、架构、运维，职责并没有消失。AI让个人带宽变大了，全功能个体在小团队和一人公司里已经是现实，但大型复杂系统仍然需要专业分工。管理者要做的是用智能化手段评估团队效能，从代码提交、测试覆盖、需求流转、缺陷分布这些数据里识别瓶颈，持续提高价值的流动速率。帽子戴在谁头上不要紧，价值流得快才要紧。

这篇文章讲的是框架和方向，很多细节没有展开。SDD的实践、AI工作流的搭建、测试体系的建设，每个话题都够单独写一篇，后面慢慢补。AI改变了做事的速度和方式，但做事的道理一直没变。这是我从AI4SE的实践中越来越确信的事。

知行合一，且行且修。

26.03.11