辅助编程？dora 说：我知道你很急可是请你别急

从 OpenGPT 把大模型的火烧旺了之后，这三年来，相信很多组织或摩拳擦掌、或躬身入局，希望借助聪明能干的大模型，或想偿还技术宅，或想降本增效，或想弯道超车。一时间，沉寂许久的 AIxx 又活过来了，LLM Ops、Vibe Coding、中医大模型、GPT 算命等等，全都老树发新芽，焕发了勃勃生机。那么视角拉回从业者最关注的饭碗相关的领域之一——AI 辅助开发，产生了什么触动，应该如何拥抱呢？

DORA 的年度报告中给出了很有意思的结论——强者恒强。

执行摘要部分总结了几个有趣的点：

1. 问题从是否采用转变为如何采用

2. AI 带来的局部优势，有可能被组织的低下能力完全化解

3. 平台工程和小步快跑的架构方式，有利于 AI 辅助编程的变现。

支撑如上结论的论据，来自于后续内容对组织画像、价值链、度量系统、成员感知等方面的调查论据。

简单说来，要最大化 Vibe Coding 的收益，组织和业务应该具有如下特征：

1. 微服务/云原生架构

2. 高质量的、AI 可用的数据生态

3. 以用户为中心

4. 完善的平台工程体系

5. 围绕价值流进行 AI 建设

七种团队

报告中对团队形态做了一个侧写，总结出了 7 类团队。

1. 基础性挑战（Foundational challenges）

   这些团队被困在“生存模式”中，在流程、环境和成果上存在根本性缺陷，因而面临重大挑战。

2. 遗留瓶颈（The legacy bottleneck）

   处于这一类群的团队始终处于被动应对状态，不稳定的系统支配着他们的工作，并不断削弱团队士气。

3. 流程受限（Constrained by process）

   这些团队就像在“跑步机”上工作。尽管他们所依赖的系统相对稳定，但低效的流程消耗了大量精力，最终导致高倦怠感与低影响力。

4. 高影响，低节奏（High impact, low cadence）

   这些团队能够产出高影响力的工作，其成果体现在突出的产品效能和较高的个人效能。然而，他们的交付模式节奏较低，表现为软件交付吞吐量不足且不稳定性较高。

5. 稳定且有条理（Stable and methodical）

   这些团队就像软件世界里的稳健工匠，以审慎且可持续的节奏交付高质量、有价值的工作。

6. 务实执行者（Pragmatic performers）

   这些团队能够持续以令人瞩目的速度和稳定性交付工作，即便其工作环境尚未达到最佳投入状态。

7. 和谐高成就者（Harmonious high-achievers）

   这正是卓越的典范——一个良性循环：稳定、低摩擦的环境使团队能够持续交付高质量工作，同时避免倦怠。

上述团队类型的前面四种，都不利于 AI 辅助编程的采用，第一种团队采用 AI 辅助编程后，甚至可能出现团队、产品效能的倒退。

采用 AI 所需的核心能力

在这些候选能力中，7 个 能力脱颖而出。当团队将这些能力与 AI 采用相结合时，AI 在重要结果上的积极影响会被进一步放大。

这七大能力构成了我们新模型的核心：

1. 清晰且有效传达的 AI 立场（Clear and communicated AI stance）

2. 小批量工作方式（Working in small batches）

3. 可供 AI 访问的内部数据（AI-accessible internal data）

4. 高质量的内部平台（Quality internal platforms）

5. 健康的数据生态系统（Healthy data ecosystems）

6. 以用户为中心（User-centric focus）

7. 健全的版本控制实践（Strong version control practices）

价值流

DORA 提倡从价值流的角度来判断 AI 切入的环节，这里举了一个例子：

例如，通过映射，团队可能会发现代码审查是一个显著的瓶颈。有了这一洞察，他们就可以决定将 AI 应用于改进代码审查流程，而不是仅仅用 AI 生成更多代码，从而加剧瓶颈。

调研数据则表明：

• VSM 推动团队能效：持续审视和改进价值流的团队报告的绩效显著更高。

• VSM 带来更有价值的工作：这些团队在组织及其客户真正关心的工作上投入的时间明显更多。

• VSM 改善产品能效：最终，对价值流的关注转化为更好的产品成果，而这可以说是最重要的结果。

总结

首先这份报告我认为针对的是“组织”而非现下流行的一人公司，所以其视角略显传统。在我看来似乎就没什么新东西。。

总的说来，AI 辅助编程的采用，要想获得回报，必须按照价值流的分析，选择性的投入，其目标在于削减瓶颈，促进整个生命周期的有效流动；利用平台工程的加持、提高流转效率、规范行为；使用有效的指标体系，全程度量采用效果并随时反馈。架构方面，采用低耦合的可独立快速更新的架构来提高发布韧性等等。。

所以看到最后我脑子里就一句话——努力一点，别拖 AI 后腿。。