端到端交付2.0:像工业流水线一样的生产和交付需求


在聊2.0之前,先看看当前面对的局面。

1.0 端到端体系从25年12月开始建设,是基于Spec + Harness框架的需求生成模式。

整个链路聚焦在了能从需求按规范稳定的生成代码

这个过程在大部分应用沉淀了较充分的规范约束和技能(constitution、rules、skills),但本质上是"人操作Agent执行"——人是主角,在用Qoder、Cursor、CC等工具驱动Agent干活。

到今天,绝大部分需求在已经走Spec驱动的代码生成,但快起来之后问题也集中爆发了。

  • 质量检查跟不上了 - Agent哗哗出代码,一个CR动不动几万行,但没有经过系统性检查,谁也不敢直接上线,最后还是要人逐行review、手动兜底。

  • 信息处理的成本没有降低 - PRD的规范还没指定,Agent不能拿着要素缺失的需求就开始干,人还是得做澄清补全。更关键的是,信息从上游传到下游,每经过一个环节就会衰减——测试要看SRE保障需求,SRE要看研发变更影响,下游的各类要求没有一开始就确定,还是靠人来缝缝补补。

  • 干复杂度高的事就像在抽卡 - 简单聚焦的事情,当下模型能处理得很好;但一旦复杂度升高、需要拆解分段来做就容易走偏。干到一半上下文丢了,模型偶尔还会随机"降智",本该一步到位的逻辑有时效果很好,有时被拆得七零八落,最终又得靠人来缝缝补补。

  • Top模型活干得好但太贵太脆 - 之前一直在用Opus和Codex作业,效果确实好,但动不动封号、服务不稳定、价格贵得离谱还随时可能被断供,不可能把整条生产线全押在上面。

  • 是真的害怕带着Mac进电梯 -  人工本地跑Qoder、QoderWork,一断网会话就得重开—— 流水线全靠一个人在按电钮,网一断人离开整条线就停了,重启的credits如雪花般消逝。

  • 没有人在看执行过程到底做得如何 - 每个Spec需求、每个应用、每次执行过程,重复遇到了多少问题?花了多少不该花的token?这些没有系统性的检查和反馈,出了问题靠人复盘,优化靠人经验。

一个工厂引进了最先进的数控机床,但质检靠目测、衔接靠人喊话、出了问题靠经验排查,关键设备随时可能被断供,而且整条产线只能在一台个人电脑上跑——车间还是手工作坊的管理方式。

我的判断是:AI Coding的真正瓶颈不是模型能力,而是缺少一套像工业流水线一样的交付体系。

回顾工业化的演进史,每一次跃迁的背后都有一条暗线:新的驱动力 + 新的生产组织方式。蒸汽机推动了工业1.0,电气化和流水线定义了工业2.0,电子信息和自动化带来了工业3.0,数据和智能正在催生工业4.0。100年前亨利·福特把汽车制造拆解成一条流水线——每个工位有明确的输入、输出和质检标准,零件沿着传送带流动,最终组装成一辆完整的车。这个思路不仅改变了制造业,也成为后来所有大规模生产的原型。

今天,信息和智能正在驱动软件工业化的下一次跃迁。我们逐渐意识到,好的交付体系应该做到:每个阶段有明确的产出物,每个产出物有质量卡点,整个过程可追溯、可验证、还能持续自优化。更重要的是,这套体系不能建立在对顶级模型能力的依赖上,就像成熟的工业流水线不会要求每个工位都是博士,而是靠工艺标准和流程设计让普通人也能稳定产出合格产品——好的交付体系应该让非顶配的模型也能在约束下可靠地完成工作。所以我们对端到端的交付体系提出一个设计原则:基于相对成熟模型的能力下限去设计、稳定安全优先、可持续有效输出、成本可控。

这里要厘清一个边界:模型能力下限的升级是模型团队的问题,端到端交付体系是我们自己的问题。 我们确实依赖模型能力,但不能把所有赌注都押在"等模型更强"上。模型在进步,那是它的课题;怎么在现有模型能力下把交付做稳、做快、做可验证,这是我们的课题。端到端交付体系要解决的是:怎么约束产出质量、怎么组织生产过程、怎么做阶段性质检、怎么驱动持续优化。把这两件事分开,我们才能专注把自己的体系建好,而不是天天追着模型版本跑。

这篇文章,是正在实践的——《端到端交付2.0体系》。

从1.0到2.0:端到端交付的演进路径

2.0 端到端体系从今年4月启动,走两轨并行:

  • 第一轨:Agent自动化生产——云上Agent分身 + 钉钉,让非研发角色(产品、运营)也能直接提需求,系统自动走完全流程交付。目标是"分身全自动执行",解除并发瓶颈,人从操作者变成监督者。

  • 第二轨:端到端2.0新规范——工业流水线式的多Agent作业体系,定义从PRD到上线的全链路规范,包括Harness约束体系、Spec生产流程、自检机制、持续优化飞轮。

两轨的关系是:自动化生产先用1.0体系并行建设,同时2.0新规范体系在平行推进;等2.0规范体系成熟后,自动化生产轨道最终切换到2.0体系上来。简单说,1.0是当前的生产力,2.0新规范是升级后的生产力,自动化生产是跑在上面的业务目标——先骑旧车赶路,同时造新车,新车造好了就换过去。

端到端交付2.0架构全景

2.0体系的核心架构可以拆成两条链路来看:正向链路和反向链路。

正向链路是生产过程,Agent贯穿全链路:

  • 产品Agent:生成PRD,输出PRD文档和质检记录

  • 设计Agent:生成技术方案,输出Spec(spec.md + plan.md)

  • 编码Agent:生成代码,输出分批次tasks

  • 自检Agent:生成自检报告,输出check_reports + ADR

  • 测试Agent:生成测试用例并执行,输出用例与执行报告

反向链路是改进过程:阶段产出物检查 + Session log分析 → 发现问题 → 反哺物料优化和规则迭代。

这个架构有三个核心特征,可以概括为"三可":

可追溯:需求id贯穿全链路——从PRD到代码到测试,一个aone_id串起所有产出物。Spec文档放在研发统一过程链里,任何时候都能回溯一个需求是怎么从一句话变成一段代码的。

可验证:研发自检 + 平台扫描,多重过程检查。不是等到上线后才发现bug,而是在流水线的每个阶段都有质检卡点。

可优化:Spec内容 + Session分析反哺物料优化、规则迭代。这不是一条静态的流水线,它会自己"长"——每一次执行都会留下session log,分析这些日志能发现物料缺陷和规则盲区,然后迭代优化。

还有一个贯穿所有Agent的关键架构原则:本地可执行 + 平台在线执行的双轨设计。 端到端体系中的每一个Agent——无论是编码Agent、自检Agent还是统计&Loop扫描——都必须同时支持两种执行方式。日常情况下,研发同学可以在本地的Qoder、QoderWork上直接跑、看结果、调物料,迭代效率最高;但最终的正式执行必须在组织平台的Agent上跑——平台有完整的执行记录采集、统计归集和合规审计能力,确保产出物的可追溯性和权威性。这就像本地开发环境可以随便调试,但代码合并必须走CI/CD流水线一样。

7个子课题:端到端交付的完整拼图

端到端交付这个课题,拆解成了7个子课题:

必选5个(构成主链路闭环):Coding Agent、PRD生成&质检Agent、研发自检Agent、测试Agent、统计&Loop工程。这五个串起来就是从需求到交付的完整链路。

非必选2个(扩展能力):领域知识库(给Agent提供充足的领域知识)、简单需求自动端到端生成(AI Native的云上交付路径)。

必选的5个是"主航道",非必选的2个是"扩展包"。当前每个子课题都有对应的AI Native小组在推进,覆盖云通信的基础产品线先行。

当下展开其中最核心的四个课题:

  • 【AI Native】数字分身的端到端交付

  • 【2.0 规范】研发 Coding Agent - 生产物料体系(Harness & Spec工程)

  • 【2.0 规范】研发自检Agent 

  • 【2.0 规范】统计 & Loop工程

此外,知识库建设作为横向支撑能力,也会简要介绍其建设逻辑。

【AI Native】数字分身的端到端交付

如果说前面三大块(物料体系、研发自检、统计&Loop)解决的是"怎么规范化地生产",那这一块解决的是"谁来触发生产"——答案是:不一定非得是研发,但是一定是始于研发

真实场景:内部运维需求的积压问题

真实场景是这样的:团队内部有大量运维类需求——补个监控面板、加个配置开关、做个取数功能、加个批量操作功能。这些需求不大,但数量多、排队久。研发觉得小活不值得专门排期测试,产品觉得小需求应该很快但就是排不上,日积月累,积压越来越多。

AI Native端到端交付要解决的就是这个问题:让产品或运营直接在钉钉里@数字分身提需求,系统自动走完从需求对焦到待交付的全过程,最终由研发review后交付上线。

钉钉作业流程:从需求对焦到待交付

整个流程分四个阶段:

  • 阶段一:会话启动 形成在线会话链接(详见案例),开始 需求对焦——产品或运营在钉钉群聊或单聊中@数字分身,描述需求。协调者Agent(架构师角色)与用户多轮对话,澄清细节、确认边界,直到需求足够明确。这个阶段产出一份结构化的需求描述,等价于简化版spec。

  • 阶段二:需求确认——协调者Agent把整理好的需求摘要发回给用户确认,用户确认OK后系统才往下走。这一步是人工卡点,防止Agent理解偏差后一路错下去。

  • 阶段三:端到端自动生产——确认后系统启动7阶段自动流水线:需求接收→安全审核→技术方案→开发实施→测试验证→代码审查→部署上线。6个AI Agent按流水线阶段依次执行:

    • 协调者(架构师):整体统筹 + 用户交互,是用户唯一直接对话的角色

    • 产品经理Agent:需求分析 + Aone读取,把模糊需求转化为结构化spec

    • 后端工程师Agent:代码读写 + 终端命令,按spec执行开发

    • 测试工程师Agent:跑测试、验证功能

    • 代码审查Agent:Diff审计,独立视角检查代码质量

    • 安全审核Agent:纯推理,合规评估

    • 每个Agent最小权限、互不越权。执行过程中,用户可以通过Web实时面板(WebSocket推送)查看所有阶段进展和Agent对话记录。

  • 阶段四:待交付——流水线跑完后,产出物进入"待交付"状态:代码已提交到分支、测试已通过、代码审查已完成,但还没有合并上线。最终由研发review产出物、确认无误后执行交付。这一步是必须的人工卡点——AI负责生产,人负责最终拍板。

真实案例:

云端执行架构

整套系统运行在Devix云端安全工作空间里,每个用户独立隔离。核心编排引擎是team-manager(Python/FastAPI),内部由LangGraph StateGraph(9节点有向状态图)驱动编排,支持断点续跑——进程重启后从上次节点继续,不会因为网络波动丢失进度。Agent通过MCP协议对接集团内部工具(代码仓库、CI/CD、Aone、钉钉、语雀),实现真正的全链路自动化。

这也解释了为什么2.0体系是两轨并行而不是直接跳到全自动:先把规范体系建好、验证稳定,再把自动化生产轨道切过来。就像先造好流水线和工艺标准,再上自动化工位——工艺不达标就急着上自动化,只会批量产出废品。

从数字分身到数字员工

当前的方案是:一个员工配一个数字分身,分身借用人的权限作业——代码提交用的是人的账号,CR发起用的是人的身份,Aone操作走的是人的权限。这样做的好处是快速启动,不需要额外的权限体系设计;坏处是分身的行为边界完全绑定在人身上,分身之间也无法协作。

长期的方向是把数字分身汇总为数字员工管理——一个组配几个数字员工,每个数字员工有独立的权限体系和身份标识,每个数字分身被数字员工使用,形成1:N结构。数字分身不再绑定某个具体的人,而是绑定某个角色和职责范围。比如"运维需求开发数字分身"有代码读写和CI/CD权限但没有生产环境操作权限,"测试数字分身"有测试执行权限但没有代码修改权限。到那个阶段,数字员工就是团队的正式成员,和人一样有工号、有权限、有考核。

扩展有两个维度:一是增加分身数量,从1人1个分身到1组N个数字员工,扩大并行处理能力;二是增加单个分身的需求并行度,当多个需求同时进来时,分身可以启动多组角色Agent并行作业——就像一个人同时开多个终端窗口,每个窗口处理一个需求。两层叠加起来,团队的吞吐量就不再受限于人头数了。

遵循2.0规范架构:同样的流水线,不同的执行者

AI Native端到端交付不是另起炉灶,它遵循的仍然是2.0架构规范:Spec工程定义了"怎么一步步做",Harness工程定义了"按什么标准做",研发自检定义了"怎么验证做得对不对",统计&Loop工程负责持续优化。唯一的区别是:执行者从"研发操作Agent"变成了"云端Agent自主执行"。

具体来说:云端Agent生成的spec文件夹结构和应用级完全一致(spec.md、plan.md、tasks.md、check_reports/、session/),自检Agent独立执行检查,统计&Loop工程的扫描同样覆盖云端产出物。这样保证了无论需求是研发手动跑的还是分身自动跑的,产出物标准统一、可追溯、可验证。

【2.0规范】研发Coding Agent的物料体系

(Harness & Spec工程)——

流水线的工艺标准和生产过程

在讲具体的Harness和Spec之前,先讲清楚整个研发生产物料体系的全貌。

这套物料体系要解决的核心问题是:Agent在生产过程中需要遵循什么约束、产出什么标准物、怎么保证产出质量。 它由两大部分组成:

  • Harness工程——定义Agent必须遵循的约束体系。包括四层约束(原则→宪法→规则→判例)、代码版本治理策略、以及落到代码仓库里的具体物料(App-Adr应用规约与技能、App-Desc应用说明、App-Research疑难杂症研究结果)。Harness回答的是"按什么标准做"。

  • Spec工程——定义从需求到代码的生产过程。包括流水线分段(需求对齐→概设→详设→执行→检查)、每段的产出物标准(结果产出物+过程产出物+session log)、工作项分级管理。Spec回答的是"怎么一步步做"。

两者的关系是:Harness是工艺标准,Spec是流水线本身。

  • 没有Harness约束的Spec就像没有工艺卡的流水线——能跑但产出不稳定;

  • 没有Spec承载的Harness就像写满规章制度的白板——有标准但没有执行路径。

  • 没有Spec+Harness约束的Agent:拿到需求直接写代码,产出不可控。今天写的和昨天写的风格不一致,命名随机,模块划分随心所欲。出了问题无法回溯——因为根本没有记录"它当时为什么这么写"。

  • 有完整Spec+Harness约束的Agent:先对齐spec(做什么),再出plan(怎么做),再拆tasks(分步做),最后自检(做得对不对)。每一步都有产出物留痕,每一步都受Harness规则约束。出了问题翻session log就能定位根因。

可以说,Spec+Harness是端到端交付2.0的脊梁骨。没有它,后面所有的自检、Loop、平台扫描都没有锚点——你检查什么?回溯什么?优化什么?

Harness工程——给强壮的马套上马具

在流水线上生产之前,你得先有工艺标准。Harness工程干的就是这件事——定义AI Agent在生产过程中必须遵循的约束体系。

"Harness"这个词来自马具。一匹好马(强大的模型能力)如果没有马具(约束规范),跑起来方向不定,还可能伤人。核心理念是:模型能力越强,约束体系越重要。

四层约束:原则→宪法→规则→判例

借一个类比来解释这个分层体系:把它想象成国家治理。四层从上到下是抽象等级递减、可执行性递增的关系。

原则(Principle)——顶层抽象概念 -> 相当于社会主义基本原则。从集团到部门到团队到应用,层层继承,是最顶层的价值导向。原则本身不告诉你怎么做,只告诉你什么不能违背。比如"代码必须向后兼容"、"新增接口必须有契约"这类不可商量的底线。

宪法(Constitution)——框架级抽象概念->相当于国家宪法。公共和抽象层面的约束,被各种执行工具(Qoder、Cursor、Codex等)自动加载。宪法是整个约束体系的中枢,它定义了Spec的逻辑(怎么组织需求文档)和Harness的逻辑(怎么约束执行行为),被所有下层规则所引用;但宪法仍然停留在"框架"层面,不直接指导具体作业。

规则(Rules)——实际指导作业的实现-> 相当于会计法、刑法。具体到某个角色的执行标准,是Agent真正落地时会加载和执行的约束。比如对研发的Maven构建规则、对测试的单测规范、对SRE的稳定性检查项。规则里每一条都能直接对应到"这一步该怎么做"。

判例(Cases)——具体规则操作的解读-> 相当于最高法判例。规则本身是文字描述,但具体到某个复杂场景怎么应用,往往需要看已有的案例。判例必须成对出现正例和反例——正例说明"符合规则的正确写法长这样",反例说明"违反规则的常见错误长这样、错在哪里、正确的修正是什么"。只有正例,Agent容易依葫芦画瓢但抓不到本质;只有反例,Agent知道不能怎么写但不知道该怎么写。正反成对,才能把规则在实际场景中的边界和取舍讲清楚,避免Agent对规则的机械理解和过度演绎。

为什么要分四层?因为不同的抽象层级需要不同的治理频率。原则几乎不变,宪法偶尔调整,规则随业务频繁迭代,判例持续沉淀。如果全塞在一个文件里,改一条规则可能不小心影响了原则;反过来,一条判例的沉淀也很难反哺到抽象的原则层。分层之后,各层独立演进,互不干扰,而且每一层的读者都很明确——顶层给决策者看,宪法给架构师看,规则给Agent看,判例给需要参考的人看。

存量代码版本治理:像法律一样分"新法"和"旧法"

这里要单独聊一个Harness工程里特别重要的课题——存量代码的版本治理。

就像不同年代的法律对应不同的社会形态(82宪法、97刑法修正案、民法典),一个应用里的代码也有"新代码"和"老代码"之分。新代码遵循最新的架构规范和编码标准,老代码可能是三年前甚至十年前写的,遵循的是当时的规范。你不能拿今天的法律去判十年前的案子,同样也不能让Agent用新规则去改老代码——改着改着就炸了。

所以Harness工程里有一件事必须做清楚:优先把遵循新规的代码范围圈出来。具体来说:

  • 新增逻辑怎么作业——新增的代码必须完全遵循最新的Harness规则。Agent在写新功能时,constitution、rules、ski…

— 以上为试看内容(约 40%),开通会员后阅读全文 —