纪要

本次对话围绕AI在企业研发与运营工作流中的实际应用展开，涵盖了需求管理、开发测试、跨角色协作及流程自动化等场景的实践经验与挑战，并探讨了通过规范约束、节点提效和单人闭环模式提升AI辅助效能的可行路径。

AI辅助研发的核心实践

• 需求到上线的AI辅助流程
  • 产品采集需求后，AI辅助撰写PRD文档，并通过与AI对话完成需求澄清，此过程需使用最好的模型以确保准确性
  • 需求评审仍由人工参与，会议通过钉钉进行并生成纪要、待办事项，确保任务清晰可追溯
  • 开发完成后，AI可对提交的代码进行Review，发现问题则打回修改，无问题则直接合并进入流水线测试
• 全流程人机协同机制
  • 并非完全由AI串通从需求到发布的全链路，而是人在关键节点驱动，AI辅助执行
  • 研发与产品之间仍需保持沟通，AI目前无法替代人类在讨论中识别风险和达成共识的过程

单节点提效与闭环开发模式

• 高效率的资源包生成平台实践
  • 当前已实现一个用于生成设备资源包的平台，100%由AI编写代码完成
  • 该平台解决客户定制化需求（如壁纸、主题色、开机动画）需频繁刷固件的问题，改为通过下发配置化的资源包实现
  • 初始阶段因边界定义不清导致AI反复出错（如将应等于1的值设为0），后续通过严格拉齐需求边界和交互规范显著提升稳定性
• 单人闭环优于多角色协作
  • 对于小型项目或工具类开发，采用“一人全责”模式更高效，即同一人负责前端、后端、测试甚至UI，形成闭环
  • 此模式下AI响应更快、错误传播少，避免跨角色推诿（如编辑失败时难以界定前后端责任）
  • 大型系统（如TMS面对百万级设备）因风险高仍采用多人协作，AI仅用于各角色内部提效

AI在企业运营中的局限与应对策略

• 不确定性与幻觉问题
  • AI存在输出不一致的风险，例如两次提问九九乘法表可能得到不同答案，且可能出现幻觉
  • 因此关键环节必须有人审核，不能完全依赖AI自动生成完整流程而无人兜底
• 长链路执行的挑战
  • 工作流节点越多，误差累积越严重，类似“牛鞭效应”，中间任一环出错都会影响最终结果
  • 建议尽可能合并节点、缩短链路，优先实现确定性强、重复性高的SOP自动化
• 记忆与上下文限制
  • 当前AI的记忆能力有限，上下文过长会导致信息丢失或错乱，影响复杂任务的连续性判断
  • 实践中发现，模型越强、工具越好、具备记忆管理能力的系统表现更优

客户需求对接中的AI应用探索

• 高保真原型辅助需求确认
  • 产品基于客户需求生成可交互的设计稿（简单网页形式），供客户预览并确认
  • 此方式极大降低理解偏差，使客户能直观看到预期效果，避免开发完成后才发现不符
  • 确认后的设计稿成为开发依据，团队与客户站在同一维度思考问题
• 需求输入标准化难题
  • 最大挑战在于将客户的自然语言转化为AI可准确理解的业务需求
  • 解决方案包括：让客户填写结构化问卷、AI生成反馈再由客户确认，反复迭代直至理顺

企业级工作流改造的方法论

• SOP拆解与技能封装
  • 将每个岗位的工作流拆解为具体Skills，用脚本固化确定性操作，保留AI处理灵活部分
  • 推荐按“先单节点优化 → 再尝试串联”的路径推进，而非一开始就追求全流程自动化
• 绩效绑定与组织推动
  • 每个职能负责人需梳理自身工作流，明确哪些是重复性工作可被AI化，哪些必须人工介入
  • 可将AI提效成果与绩效挂钩，激励各角色主动优化自身流程
• 小步快跑的试点策略
  • 对小型项目或新功能，可让精锐团队在AI基础上尝试闭环开发，即使失败影响可控
  • 成功案例可复制推广，逐步扩大AI应用范围，避免“一步到位”带来的系统性风险

行业对比与技术选型洞察

• 腾讯云与蚂蚁金服的AI实践差异
  • 腾讯云内部曾尝试NPC机制自动处理Issue并修复Bug，但依赖其自研“混元大模型”，效果不佳未大规模使用
  • 蚂蚁金服因金融属性谨慎对待代码安全，未将代码交给第三方AI，采用自建开源模型体系，名为“百灵大模型”
  • 大厂普遍倾向使用最强外部模型，因其可提升30%~50%效率
• 技术栈选择依据
  • 当前开发选用React + Python，非因个人擅长，而是因AI在训练时大量接触此类代码，AI对此类技术栈理解更深
  • 选择AI最擅长的语言框架，可减少沟通成本，提升生成准确率

AI时代的角色演变与能力重构

• AI作为增强工具而非替代者
  • AI并未取代研发岗位，而是大幅提升个体产出上限，原本人力密集型任务现在可由少数人高效完成
  • 发言人表示自己已不再写代码，但产出远超以往，核心在于掌握如何有效指挥AI
• 初级岗位可被替代，高级人才价值上升
  • 初级开发者可能被AI替代，但高级工程师因能更好定义规范、设计架构而更具价值
  • 一套成功模式建立后，可通过替换业务模块快速复制到其他场景，实现批量提效
• 创造性工作仍需人类主导
  • 情绪理解、人际沟通、创意构思等涉及“人情世故”的领域仍需人工介入
  • AI适合处理模板化事务（如生成标准商务邮件），但安抚客户等情感类任务仍需人为把控

AI洞察

• AI在结构性强、闭环明确的小型任务中表现优异，但在长链路、多角色协作流程中仍需人类主导协调
• 将复杂工作流拆解为“可AI化”的原子节点，并由专人负责端到端闭环，是当前最可行的落地路径
• 组织推进AI转型不应追求全面替代，而应聚焦于提升单位个体效能，通过“单点突破 → 快速复制”实现渐进式变革

章节

• 00:00:00 AI在软件研发流程中的辅助应用
  • 讨论AI如何在需求采集、PRD文档撰写、需求澄清等环节中辅助产品经理，并强调使用高质量模型的重要性。同时指出评审环节仍需人工参与，AI无法替代人类在风险识别和团队协作中的核心作用。
• 00:02:06 AI驱动的开发与测试自动化实践
  • 介绍代码编写完成后由AI进行自动审查、提交合并及流水线测试的流程，强调人仍需主导关键节点。提出当前工作流尚未实现端到端AI串联，仍依赖人工驱动，但已在可流水线化的部分引入AI提升效率。
• 00:02:48 行业案例对比与大厂AI工具现状分析
  • 分享参加腾讯云、蚂蚁金服等企业会议所了解的内部AI工具使用情况，指出其虽有探索但未大规模落地。提到大厂倾向采用最优商用模型而非自研，以提升30%-50%效率，并分析金融类企业因安全限制更谨慎的态度。
• 00:06:15 全流程自动化瓶颈与优化方向
  • 探讨将AI应用于企业全工作流的挑战，认为成本高于人力替代价值，难以实现完全自动化。建议聚焦重复性高、无技术含量的任务进行优化，优先提升编程效率，并解决需求确认和测试通过率两头痛点以减少返工。
• 00:08:14 资源包平台的AI开发实践与规范建设
  • 介绍通过AI百分之百编写资源包打包平台的过程，初期因边界不清晰导致错误频发，后通过建立明确的需求规范、约束条件和UI交互标准，实现高效准确交付，修改上线可在分钟级完成。
• 00:10:11 AI与人类协作模式的演进与磨合经验
  • 强调AI并非完全代理人而是能力增强器，需经历长期磨合才能准确理解人类意图。提出通过问卷确认需求、反复校验输入输出等方式提升准确性，并主张人在关键环节必须介入审核以确保责任可追溯。
• 00:12:34 定制化出厂设置解决方案的技术实现
  • 详细说明资源包方案如何解决设备频繁刷固件的问题，支持壁纸、主题色、开机动画等客户定制化需求，适用于Cosine系列所有机型，可在工厂预制或后期配置，显著降低OS更新工作量。
• 00:14:15 AI生成代码的可靠性与工程闭环策略
  • 指出非专业人员难以仅靠AI产出高质量代码，而资深开发者可通过清晰指令和领域知识有效引导AI。提倡单人闭环负责小型项目，减少跨角色沟通成本，避免信息传递失真，提升整体执行准确率。
• 00:17:27 企业级工作流AI化的现实挑战与实施路径
  • 分析企业复杂业务流程（如需求管理、排产、采购）难以被AI全面串联的原因，建议先抽离SOP、固化确定性操作，对不确定任务保留人工干预。提出按岗位拆解技能、分阶段推进AI赋能的务实路径。
• 00:20:58 需求对接中的AI原型设计与客户确认机制
  • 介绍利用AI生成可交互网页原型帮助客户直观理解功能设计，提前确认需求细节，避免后期偏差。该方式实现高保真可视化沟通，使开发团队与客户在同一认知维度上协作，大幅提升需求对齐效率。
• 00:26:25 基于记忆与模型能力的AI持续进化机制
  • 探讨AI“灵魂”本质实为记忆能力，优秀模型能记住上下文并越用越聪明。指出记忆管理比设定人格更重要，结合优质框架（如React+Python）和顶级模型可实现稳定高效的自主学习与执行能力。
• 00:28:59 组织层面的AI提效规划与节点优化策略
  • 建议各职能负责人梳理自身工作流，识别可AI化的重复任务，逐步推动提效。强调不应追求一步到位，而应由个体带动、逐个节点突破，形成良性循环，最终实现组织整体效率跃升。
• 00:32:59 从传统多角色协作到AI增强的敏捷模式转型
  • 回顾传统开发流程涉及产品、UI、前后端、测试等多个角色的复杂协作，现通过AI整合前端、后端、测试职责，实现单人闭环处理小型项目，大幅压缩流程链条，提高响应速度与问题定位效率。
• 00:38:32 AI在大型系统与多人协作中的边界与管控
  • 明确AI目前适用于小型可控项目，对于TMS等大型复杂系统仍需多人协作与严格审核机制。AI主要承担提醒、通知、日报生成等辅助职能，核心决策与质量把控仍由人负责，防止失控风险。
• 00:41:52 AI时代下的职业发展与行业重塑展望
  • 认为AI不会取代研发岗位，反而创造更多新机会。研发者应借助AI提升能力边界，投身于自动驾驶、AI换脸、智能翻译等新兴领域，推动各行业在未来三到五年内被全面重塑，实现技术驱动的产业变革。