从人机协作到AI主导:我们是怎么把代码质量交给“数字SRE”的?


过去几年,AI 在编码领域的角色一直在升级:从写几行补全、回答几个语法问题,逐步走向能独立完成子任务,甚至端到端完成一个开发需求。
在这条演进路径上,我们尝试做了一个小小尝试:把团队的部分代码质量治理,交给“数字 SRE 员工”,让人类只在关键环节兜底审核,并借此跟大家分享一些个人经验。


AI 参与开发模式的四个阶段


如果把近几年AI和人类的辅助关系拉成一条时间轴,大致可以看到四个阶段:从“AI 打辅助”,到“AI 主导,人类兜底”。


▐  AI 初步介入

ChatGPT、通义千问等工具开始大规模进入开发者视野。这一阶段的典型特征是:

  • 能力形态:答疑解惑,帮助开发者理解技术概念、排查问题思路

  • 使用方式:开发者遇到问题时切换到对话窗口提问,AI 给出解答和建议,真正的设计和决策仍然完全由人主导


▐  AI 辅助开发

以 Copilot、通义灵码为代表的 IDE 插件,开始在上下文理解和多场景支持上发力。这一阶段的变化主要在两个方面:

  • 能力向"全流程辅助"扩展:代码补全、代码解释、单测生成,不仅能生成代码,还能解释一段旧代码、重构函数

  • 融入日常工作流:通过 IDE 插件形态深度集成到现有开发工具链中,几乎所有日常开发动作都可以"顺手问 AI 一句"


▐  AI 协作开发

AI-Native IDE 和 Agent 模式开始走向主流,比如 Cursor、Claude Code 等。这一阶段有两个关键特征:

  • 工程级上下文理解:可以在多文件甚至整个仓库范围内进行编辑和重构

  • 引入 Agent 能力:AI 可以根据目标自主拆解子任务,调用工具(如终端、Git、测试框架等),并给出多轮修正


▐  AI 主导开发


以 Devin、AutoDev 等为代表的产品,正在把 AI 从"任务执行助手"推向"端到端软件工程师"。典型能力包括:

  • 端到端执行:从需求理解、方案设计、编码实现,到测试、调试、部署,都可以由 AI 自主规划并完成

  • 全流程自动化:AI 能自己读文档、查日志、修改配置,甚至提交 Pull Request 或变更单


问题背景:为什么我们决定让 AI 来“代班”治理 Blocker?

在传统的代码质量治理模式中,尤其是针对高危(Blocker)级别问题的修复,我们主要面临以下三大挑战:


▐  问题发现滞后,缺乏主动触达机制

被动式巡检:应用负责人(Owner)需主动登录代码质量平台查看扫描结果,缺乏统一的消息汇总与即时推送机制。 

长尾效应明显:由于人员流动或历史交接原因,部分长期无人维护的应用容易形成“治理盲区”,导致高风险问题长期积压,无人问津。


▐  修复链路冗长,标准化程度低

手工操作繁琐:传统修复流程包含“定位原因 -> 拉取分支 -> 本地修改 -> 提交代码评审(CR)”等多个环节,全链路平均耗时约 2–4 小时/应用。 

质量依赖个人经验:修复方案的质量高度依赖开发者的个人技术水平,缺乏统一的标准化指引,容易导致修复不彻底或引入新的潜在风险。


▐  治理闭环困难,SRE 陷入事务性工作

流程断点较多:从问题发现、进度推进到结果验收,各环节高度依赖人工沟通与表格统计。 角色错位:SRE 团队大量精力耗费在“进度催办”和“数据汇总等行政事务”上,难以聚焦于构建体系化的质量治理策略与技术基建。 若继续沿用“增加人力投入、细化文档规范、加强宣导强调”的传统路径,不仅边际效应递减,也难以从根本上解决效率与标准化的矛盾。

鉴于此,我们开始探索一种新的可能性:既然 AI Agent 已具备独立执行编码子任务的能力,能否将其转化为代码治理的“主力执行者”?

考虑到 Blocker 级别问题对系统稳定性的直接威胁及其规则相对明确的特点,我们决定以此为切入点,试点构建“AI 主导 + 人类兜底”的自动化治理体系。



方案概览:一个“AI 主导 + 人兜底”的代码质量修复系统

对比了纯人工治理、简单引导 Owner 自助、平台通用工具等方案之后,我们最终选择了一条AI主导的路径

构建中心化“数字员工”,让 AI 主导完成 Blocker 问题的发现、修复、跟踪,人类只在关键节点进行审核和发布兜底。



核心能力架构:构建“AI 主导 + 人类兜底”的治理闭环

为了实现代码质量治理的自动化与标准化,我们构建了具备感知、决策、执行能力的 AI SRE Agent。该体系主要包含三大核心能力模块:自动化的任务发现与路由、端到端的智能修复执行、以及透明化的流程闭环与人机协同。


▐  能力一:基于浏览器自动化的全局巡检与任务路由

在传统模式下,Blocker 级别问题的发现高度依赖应用负责人(Owner)的主动查询,SRE 团队难以实时掌握全局质量视图。我们将这一过程重构为由 AI Agent 充当“虚拟值班员”,实现从“被动查看”到“系统化主动巡视”的转变。


  • 自动发现:非侵入式的数据抓取策略


早期我们曾尝试两种路径:一是让用户上传扫描报告,二是 SRE 人工抽样检查。这两种方式均存在效率低或覆盖率不足的问题。

最终,我们采用了基于浏览器自动化技术的非侵入式抓取方案。Agent 模拟用户行为登录代码质量平台,定期遍历应用列表并抓取历史 Issue 详情。

  • 优势:无需改造现有扫描工具链,不依赖各应用复杂的构建环境,即可实现全量应用的自动化巡检。

  • 效果:Blocker 问题从“隐性状态”转变为“显性任务”,SRE 只需关注汇总仪表盘,实现了质量问题的可观测与可追踪。

  • 技术选型权衡:为何选择 UI 自动化?


在方案选型阶段,我们评估了另外两种看似更“工程化”的路径,但最终因落地成本和数据时效性问题予以放弃:

  • 方案 A:本地静态扫描集成(如 Error-Prone)

    • 挑战:不同应用的 JDK/Maven 版本、构建脚本及依赖体系差异巨大。统一接入配置维护成本极高,且容易因环境冲突导致构建中断,稳定性风险不可控。

  • 方案 B:CI 流水线实时数据对接

    • 挑战:理想情况下应与 CI 深度集成,但由于内部质量数据回流至数据仓库存在 T+1 延迟,且缺乏实时的外部 API 支持,无法支撑“发现即修复”的实时闭环需求。

综合考量稳定性、实施成本与实时性,UI 自动化抓取成为当前阶段最优的折中方案。


  • 智能路由:责任自动归属


发现问题仅是第一步,确立责任人才能形成闭环。Agent 通过调用内部元数据服务,自动解析应用对应的 Owner 及测试负责人信息,并通过即时通讯工具发送标准化的任务通知。

  • 价值:消除了 SRE “找人、催人”的高频沟通成本。

  • 体验:Owner 能在第一时间收到包含问题详情与预期动作的通知,明确“发生了什么”与“需要做什么”,实现了责任的高效路由。


▐  能力二:从 IDE 辅助到 Agent 端到端全自动修复

早期的 AI 编码实践多局限于 IDE 插件层面的“人机协作”:人类负责拆解任务、管理 Git 分支和执行测试,AI 仅作为代码生成的辅助工具。

本次实践我们将抽象层级提升,把从“问题定位”到“提交代码评审(CR)”…

— 以上为试看内容(约 40%),开通会员后阅读全文 —