大型研发组织AI-Native实战

LOOP全球技术领导力峰会·AI·组织·工程·交付大型研发组织AI-Native实战从个人工具、组织协同，到可靠交付目录01AI-Native的本质：重构研发组织02AI时代的核心资产：SKILL03上下文工程底座04AI-Native三阶段落地路线05量化实测数据06缓存失效治理：稳定骨架+动态增量07规模化落地的挑战与护栏0201第一章AI-Native的本质：重构研发组织AI-Native不是叠加AI工具，而是重构整个研发组织。为什么是我来分享：从产品技术管理到AICoding转型实战讲者横跨产品技术管理与AICoding一线转型，具备千人规模研发组织的落地视角。讲者身份芦宇峰（肉山）深空之序联合创始人兼COO智炼AI创始人兼CEOTGO鲲鹏会杭州分会会长aiNative咨询顾问辅导3家科技企业，其中2家IPO相关性·为什么是我持续创业者参与创办两家独角兽，曾管理600+人软硬件产品技术团队千人规模研发组织视角覆盖近1000名研发人员vibecoding社区发起人社区规模2000+04AI-Native的本质：重构研发组织，而非叠加AI工具把“用上AI编程助手”等同于完成转型，是转型失败的首要原因。正解·第一性原理重置人定义意图→Agent执行→人验收结果研发第一性原理从「人写代码」重置为人机分工人的工作转向创造、决策、审计与验收常见误区给工程师配上AI编程助手，就以为完成转型，三个月后代码量上涨、交付质量反而下降。连带变化SDLC每环产出物先给Agent看，文档格式、上下文组织、任务拆解粒度都要重做。05传统研发链路：80%的时间与成本消耗在编码、测试与部署需求与设计仅占20%，价值创造的前端投入不足，导致返工多、修复贵、响应慢。20%80%需求&设计收集与分析需求、撰写PRD、需求文档、产品设计与技术架构设计代码+测试+部署前端页面、后端接口与业务逻辑、前后端联调、功能测试、环境部署与运维核心痛点返工多、修复贵、上线慢——需求与设计投入不足，质量问题后期才暴露。06AI-Native新链路：需求设计40%、Agent交付40%、人工审计20%人的工作转向创造、决策、审计与品味判断，可自动化的交付交给Agent。40%40%20%需求&设计放大意图定义与设计，把需求与技术架构讲清楚Agent自动化交付编码、测试、部署、联调由Agent承接人工审计决策验收、取舍与风险决策由人负责人效重心人的时间从写代码，转向定义意图、审计结果与品味判断。07第二章AI时代的核心资产：SKILL企业AI时代的资产不是员工数量，而是可持续积累的SKILL与行业知识。08传统组织之痛：能力沉淀难，离职即流失知识散落在个人经验里，人一走能力就没了；资产要沉淀为可复用的SKILL与知识库。传统组织个人经验随人员离职流失知识分散，缺少统一沉淀交接成本高，新人上手慢组织能力受损，难以复用经验无法复刻，重复踩坑AI-Native组织SKILL+知识库形成企业能力资产持续积累：能力随项目沉淀能力复用：一次沉淀，多处调用减少试错：复用已验证的做法长期增值：资产越用越厚企业真正的资产，是可持续积累的SKILL与行业知识。09一个完整的SKILL由哪些要素构成SKILL是企业能力最小的数字化单元，由知识、指令、工作流与治理要素共同组成。能力要素Instructions（指令）Workflow（工作流）Knowledge（知识）Tools（工具）Examples（示例）治理要素BestPractices（最佳实践）CheckRules（检查规则）Evaluation（评估）定位能力沉淀、优秀实践抽象、可复用资产10怎么拆SKILL：按「可独立验收+专业能力」切，而非按步骤切推荐设置常驻角色，对最终一致性、取舍与验收负责临时任务围绕「可独立验收的产物」拆分按专业能力拆分：产品／设计／开发／测试不推荐把需求分析、PRD、原型等每个小步骤都包装成独立skill，无人对最终一致性负责，任务越拆越细判断四问Q1输出物能否单独验收？Q2是否需要不同专业能力？Q3是否可以在阶段内并行？Q4是否会破坏前后一致性？11从数字资产到业务结果：AI时代组织的四层资产模型业务结果：可验收、可度量的交付与价值AgentTeam多Agent协同、对最终交付负责Agent按SKILL编排、可独立完成任务的执行体SKILL可复用能力单元：指令／工作流／知识／工具／规则／评估DigitalAssets数字资产：结构化知识与文档底座12第三章上下文工程底座上下文是AI-Native的工程底座；文档、数据源与压缩机制共同决定交付可靠性。13OKF结构化文档规范：YAML元数据+Markdown正文YAML元数据机器可读字段，供Agent稳定解析title:需求管理SKILLtype:skillstatus:activeowner:产品团队deps:[prd,api]tags:[需求,评审]字段：标题、类型、状态、负责人、依赖、标签Markdown正文面向人与Agent的可读内容#需求管理SKILL##目标-统一需求入口与评审标准-输出可验收的PRD##验收-事实单一来源、可追溯正文：人与Agent均可读的内容载体价值统一格式·降低上下文组织成本·让Agent可稳定引用与复用14SSOT唯一可信数据源：一个事实只在一处定义定义每类事实只在一处定义与维护，其他位置引用而非复制。价值消除版本冲突与信息漂移Agent取到一致上下文减少臆测与返工落地文档、接口定义、配置、术语表统一收敛到SSOT唯一来源15上下文压缩：用ContextCheckpoint快照无损传递关键信息压缩不是删信息，而是按「事实/决策/约束/证据索引/压缩损失」分层固化。历史对话与规则每轮重复发送，成本高且易淹没关键信息，因此需要按需压缩与快照。CONTEXTCHECKPOINT·五字段快照结构01事实Fact已确认的客观事实02决策Decision已形成的取舍结论03约束Constraint不可违背的边界04证据索引EvidenceIndex指向原文与出处05压缩损失CompressionLoss明确被丢弃的内容价值快照可恢复、可回溯、可复用，让关键上下文跨会话稳定传递。16逆向工程+代码图谱：把存量系统变成可读的上下文对存量代码做逆向工程，生成CodeGraph与RepoWiki，大幅削减喂给模型的token。存量系统往往无文档或文档陈旧，逆向生成结构与知识，让Agent快速理解。STEP01扫描仓库遍历代码库与依赖清单STEP02抽取结构模块、接口与依赖关系STEP03生成CodeGraph并产出RepoWiki文档STEP04按需检索只加载当前任务上下文两个产出CodeGraph代码图谱模块、接口与依赖的结构化图RepoWiki仓库知识库仓库结构与约定知识，供Agent检索token更省整仓投喂→按需加载+上下文压缩一条「函数A调用B」的边只需几个token，替代上百token的整段源码。315KB→5.4KB（约98%）单会话上下文压缩，日常编码实测60%–80%。17第四章AI-Native三阶段落地路线单点沉淀→工程可信约束→全体系规模化。18三阶段落地路线：单点沉淀→工程可信约束→全体系规模化转型不是一次性工程，而是能力沉淀逐步加固、可信度提升、再规模化的过程。阶段一单点沉淀阶段二工程可信约束阶段三全体系规模化做法单项技术能力沉淀为rules/skill/agent.md个人在工程中通过多轮对话生成个人和小团队进入实际交付关键基建harness约束护栏memory记忆逆向工程SSOT唯一可信源contextengineering上下文工程成本控制与体系自我完善全流程自动化构建cache缓存benchmark评估基准loop闭环迭代pev19阶段一&阶段二：从个人沉淀到工程可信先在个人/小团队把能力沉淀成rules、skill与agent.md，再用工程手段建立可信交付。阶段一·单点沉淀做法个人在工程中通过多轮对话，生成rules/skill/agent.md。问题会遇到更多上下文问题，所以必须更进一步。阶段二·工程可信约束做法个人和小团队开始进入实际交付。关键手段harness（约束护栏）、memory（记忆）逆向工程、SSOTcontextengineering（上下文工程）→20阶段三：全体系规模化——成本控制与体系自我完善可信交付稳定后，转向全流程自动化构建与持续自我完善。阶段三·全体系规模化可信交付稳定后，组织从“单点效率”转向全流程自动化构建。关注点成本控制与体系自我完善实现全流程自动化构建，让体系持续闭环迭代关键基建cache·benchmark·loop·pev关键基建cache·缓存复用稳定前缀，压降重复计算成本benchmark·评估基准以任务完成度衡量交付质量与成本loop·闭环迭代持续迭代，推动体系自我完善pev与缓存、基准、闭环并列的成套基建前提组织角色、安全护栏、度量体系须同步配套21第五章量化实测数据AI生成代码占比与token消耗呈阶梯式提升，缓存是关键成本杠杆。22现场调研：50%代码由AI生成已是基线，头部团队达到80%AI生成占比越高，人均token消耗越大，成本与缓存治理成为必答题。50%代码由AI生成（现场基线）人均>1亿token/天50%80%代码由AI生成（头部团队）人均>2亿token/天80%含义生成占比翻档，token消耗同步翻倍；缓存与模型分层是成本可控的前提。来源：LOOP峰会现场调研23Token缓存实测：整体命中率97.58%，Teams项目98.24%高缓存命中率是规模化AI交付的成本底座。整体缓存命中率97.58%Teams项目缓存命中率98.24%含义命中缓存的token只按输入价的一小部分计费，是规模化AI交付成本可控的关键杠杆。来源：实测数据24多模型Token计价表（美元/百万token）长/短上下文与缓存读写价差巨大——模型分层+缓存命中是成本控制核心。模型档位短上下文输入长上下文输入输出缓存读取缓存写入旗舰档（Opus4.x）1530751.5018.75标准档（Sonnet4.x）36150.303.75轻量档（Haiku4.x）1250.101.25缓存读取价约为标准档短上下文输入价的10%；长上下文输入价整体上浮，缓存写入价略高于标准输入；模型分层+缓存命中，是成本控制的两个核心杠杆。来源：公开定价（美元/百万token）25第六章缓存失效治理：稳定骨架+动态增量稳定内容在前、动态内容在后，是维持高命中率的工程纪律。26缓存失效的几类原因：前缀一变，后面全废缓存依赖前缀完全一致，任何前置变更都会让后续缓存整体失效。01前缀匹配必须从头完全一致，中间改一个字，后面全部失效02动态内容前插变化的摘要、时间戳、临时上下文放在前面，击穿后续缓存03工具与规则变更工具定义、规则文件、MCP描述变更导致前缀改变04超时过期TTL过期后需要重新写入上下文，命中率随之回落05内容过短低于最小缓存长度的内容不被缓存，短任务无法摊薄成本27稳定骨架+动态增量：让不变的在前，变化的在后稳定内容固定在上下文最前，动态内容后置并按层加载，最大化缓存命中。前后上下文顺序稳定骨架（前）系统提示、规则、工具定义、SKILL等几乎不变的内容半静态层项目记忆、SSOT摘要，变化频率较低动态增量（后）当前任务上下文、检索到的代码片段、临时状态效果：前缀稳定不变，缓存命中率显著提升。28固定会话输入模板：用统一结构喂给Agent固定模板让每次输入的前缀尽量一致，减少无效变更、提升命中率与输出稳定性。01角色与约束02稳定骨架：规则/工具/SKILL03项目记忆/SSOT摘要04本轮任务与动态增量