从单工程提效,走向复杂需求的 AI 原生研发

从单工程提效,走向复杂需求的 AI 原生研发

从单工程提效,走向复杂需求的 AI 原生研发

01|客户背景:业务研发需要跨工程协同

智联招聘成立于 1994 年,是中国领先的人力资本生态价值链平台,产品涵盖网络招聘、校园招聘、海外招聘、智联猎头、智联测培及 BPO。

从单工程提效,走向复杂需求的 AI 原生研发

主站业务需求往往涉及多个工程。本文聚焦研发团队如何以 Qoder 等 AI 工具为起点,结合自建工程体系,把单工程实践扩展到复杂需求拆解、实现、研发侧联调与上线准备。

客户与场景 实践范围 方案关键词 智联招聘;互联网招聘业务研发 主站相关研发团队;从需求拆解到研发侧联调、上线准备,保留人工评审与发布 Qoder、通用 Agent / CLI、Skills、自建知识库与 DevOps、钉钉协作。

案例速览

从单工程提效,走向复杂需求的 AI 原生研发

日均消耗Credits:10万+

从代码生成提速,到研发流程整体运转

跨工程需求的难点不只在写代码:要先找到相关工程、衔接接口与调用链,再在可运行环境验证;单个开发者的提效不会自动转化为跨工程交付能力。

智联招聘逐步扩展:先建立可重复的单工程流程,再接通多工程拆解、研发侧联调与上线准备。Qoder 承担日常研发与任务入口,客户自建知识库、工具连接与调度,后台执行器统称通用 Agent / CLI。

从单工程提效,走向复杂需求的 AI 原生研发

研发挑战:提速不能止步于编码

三类瓶颈,决定了转型不能止步于编码

一是编码之外的协作负担。 客户早期内部分析显示,编码的时间约占 30%~40%、沟通约占 50%;只提升代码生成速度,无法消除评审、方案讨论和联调中的等待与交接。

二是复杂需求的跨工程依赖。 产品经理描述的是业务能力而非服务边界,一个需求往往需多个工程共同承接,AI 必须先弄清哪些工程相关、各自负责什么、改动能否衔接。

三是持续迭代中的知识与架构约束。 单工程流程多轮执行后仍可能架构失序,团队因此把领域语言、顶层架构和编程规范引入流程,约束 AI 的持续修改。

把业务需求变成可验证的工程交付

转型目标是先把边界清晰的任务做稳,再接通跨工程拆解与研发侧验证;知识、协作与反馈决定流程能否持续运转。

从单工程提效,走向复杂需求的 AI 原生研发

整体方案:通用 Agent 与企业工程体系结合

组件关系:协作、执行与工程基础设施

从单工程提效,走向复杂需求的 AI 原生研发

智联招聘以通用 Agent 承接任务执行,重点建设 DevOps、工程知识库与工具连接。上图表达组件关系。

能力分工:Qoder 与客户自建基础设施

从单工程提效,走向复杂需求的 AI 原生研发

工程知识库:先找到工程,再沿代码补齐依赖

智联招聘对上千个工程分别做分析,形成描述工程职责、接口与相关工程的说明文件;需求到来时,Agent 先检索候选工程再读取代码验证关系,初始分析由客户自建专项 Agent 连接千问模型完成。

讨论也是知识入口:人员提出通用规则后经 Skills 抽取补充知识库,让一次纠偏服务后续需求。

三层连接:研发工具、企业基础设施、协作调度

协作与调度:任务启动后在钉钉任务群讨论方案与结果,连接器把消息送给对应 Agent 再带回结果;DevOps 关联需求、子任务、工程、分支及产物,状态可查询。

从单工程提效,走向复杂需求的 AI 原生研发

落地路径:从单工程到复杂需求

先做稳单工程,建立执行与确认节奏

单工程流程面向只涉及一个工程或模块的需求,也承接拆解后的单工程任务;流程为探索、生成计划、编码、归档,并在计划与代码产出后设置人工介入。

从单工程提效,走向复杂需求的 AI 原生研发

单工程任务携带 requirement.md 与多工程 plan.md 进入探索:AI 先列出本工程的具体问题,研发逐项回答;收敛后按 OpenSpec 风格形成 proposal、design、tasks 与 specs 再实现,AI 提交代码并提供 MR 链接,由研发审阅决定是否合入。

从单次执行,走向可持续维护

为应对多轮修改带来的架构问题,团队探索可演进流程:探索阶段关联领域语言与顶层架构,编码阶段关联编程规范。

从单工程提效,走向复杂需求的 AI 原生研发

从一份 PRD 到一组可执行的工程任务

产品经理提供 PRD、设计稿等材料,人员通过 Skills 或平台创建启动 DevOps 需求任务,澄清发生在启动后的整理与讨论阶段。

需求澄清 → 工程发现 → 逐工程分析 → 调用链与文档矛盾校验 → 群内方案讨论 → 正式 plan → 单工程任务拆解。

从单工程提效,走向复杂需求的 AI 原生研发

调用链校验发现缺环就返回补齐,业务含义不清时列为待决问题交给人员。

先统一契约再分工:Agent 汇总各工程分析、校验调用关系与文档矛盾,输出 draft 及待决问题,研发在钉钉群讨论后写回 requirement.md 与正式 plan.md;确认后生成关联的单工程任务并行启动。

研发侧联调:验证多工程能否协同

各工程具备提交/合并条件后由人员发起联调;Agent 从 DevOps 获取需求、工程与分支,部署对应版本并生成执行联调用例。

失败信息回到原任务,形成修复回路

测试失败后,联调 Agent 生成诊断并把问题发回对应实现群,实现侧修复反馈后联调侧重新部署复测,让错误可定位、可回传、可继续处理。

从单工程提效,走向复杂需求的 AI 原生研发

真实需求复盘:从人才列表能力到上线

这是一个比较复杂的需求,从C端收集数据并处理,最终展示在B端页面上,同时涉及前端、网关、后端的改动。在采用AI研发流程之前,这需要各端的至少4研发工程师,大约25人日的工作量才能完成。在采用AI研发流程之后,实际只投入了1个研发,总计大概7人日就完成了。

需求范围与工程分工

这是一个 B 端跨工程需求:新增人才列表能力,含多维筛选、统计看板与未读标记,数据来自 C 端用户行为。产品提供需求与设计稿后,人员创建启动任务,AI 整理 requirement.md 并在群内澄清。

该需求共 9 个任务:1 拆解、5 实现、1 联调、2 上线准备;登记 83 份产物,覆盖 5 个代码工程、6 个部署单元,其中一个新建,各工程由同一名研发承接。

从单工程提效,走向复杂需求的 AI 原生研发

从单工程提效,走向复杂需求的 AI 原生研发

任务与工程:保留可回查的记录快照

从单工程提效,走向复杂需求的 AI 原生研发

图 1|平台任务列表:9 个任务记录快照(脱敏截图)

从单工程提效,走向复杂需求的 AI 原生研发

使用AI研发流程,研发实际投入的工作量约7人日,同需求程序员+AI辅助需25人日,古法编程需40人日。

各阶段产出与人工把关

从单工程提效,走向复杂需求的 AI 原生研发

产物记录:把方案与验证结论留下来

从单工程提效,走向复杂需求的 AI 原生研发

图 3|83 份登记产物的阶段分布

从单工程提效,走向复杂需求的 AI 原生研发

图 4|联调协作文档存档:用例、执行报告、归因与交接清单均可溯(脱敏截图)

失败回传:区分代码缺陷与环境问题

回传台账记录 3 条问题并已闭环,下表含代码、环境及人工验证发现的问题。

从单工程提效,走向复杂需求的 AI 原生研发

回传记录:实现群与联调群继续协作

从单工程提效,走向复杂需求的 AI 原生研发

图 5|联调失败回传实现群、修复后复跑全通过(脱敏截图)

修复侧反馈提交后,联调侧重新部署再验证,人员还可要求补造测试数据或增加用例。

人工介入的真实形态

9 个任务群共 616 条消息:AI 505 条、人工 111 条,约 4.5:1;人工消息中实质内容 96 条、纯确认 11 条。

从单工程提效,走向复杂需求的 AI 原生研发

任务群:一个数字员工账号,多段执行会话

从单工程提效,走向复杂需求的 AI 原生研发

图 6|需求产生的 9 个任务群:AI 与人同群讨论(脱敏截图)

拆解、实现、联调、上线准备各有职责范围,同一数字员工账号可在多个群中呈现不同任务的执行结果。

覆盖边界

从单工程提效,走向复杂需求的 AI 原生研发

从单工程提效,走向复杂需求的 AI 原生研发

图 7|联调总结:两轮全通过、通过率 100%(脱敏截图)

从单工程提效,走向复杂需求的 AI 原生研发

阶段收益:从代码产出到交付能力

业务需求交付效率提升

从单工程提效,走向复杂需求的 AI 原生研发

Agent代码率统计范围是智联主站的主要工程,大概400+个。

需求吞吐指的是每人每月完成的需求数量,对比25Q3和26Q3。

复杂需求交付数统计的是26Q3交付的复杂需求总数。

在积累团队能力

把个人用法沉淀为团队流程:客户配置的 Skills、专项 Agent 与工具连接,把需求整理、方案讨论、实现和验证组织成可重复步骤;跨工程协作转为带上下文的任务流。

从单工程提效,走向复杂需求的 AI 原生研发

给其他 Qoder 客户的启示

可借鉴的分步建设方法

先把一个工程做稳:从边界清楚、结果可验证的任务开始,建立探索、规格、实现、验证、归档与代码审阅。

先区分知识再选择检索:工程索引回答到哪里改,代码分析回答如何衔接,业务知识回答客户看到什么、规则为何如此。

用现有系统承接 AI:以文档化 API 和 Skills 接入需求、工程、代码及运维能力,明确哪些状态可查询、哪些步骤由人启动。

以有效交付衡量收益:除代码率外,建议跟踪需求吞吐、交付周期、返工率、联调通过率与人工介入时长。

智联招聘的实践表明,AI 原生研发要让需求、知识、任务、代码与验证结果互相对应。Qoder 的研发工具能力与客户自建工程体系共同构成实践基础,能否持续提升交付能力,还取决于业务知识质量与关键节点的人类判断。

本文作者@Qoder。原文链接:https://mp.weixin.qq.com/s/jVnxThQZTfdm8UhH2PhlLQ?nwr_flag=1

行业动态

雷军昔日爱将、美团千亿高管,扎堆卖AI戒指?

2026-11-20 17:16:34

行业动态

阿里字节摸着WorkBuddy过河

2026-11-21 10:32:20

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧