AI自动化研发：从需求到部署的效能跃升实战指南

在研发效能提升的实践中，我们认识到真正的突破点在于端到端的流程自动化。当前，大量工程资源仍被方案设计、代码评审和测试验证等非编码任务所占据，频繁的上下文切换与协作等待构成了效率提升的主要障碍。

因此，我们的策略正从单一的AI编码辅助，系统性地扩展至上游的需求分析与下游的测试部署。核心目标是通过AI技术无缝串联研发全流程，构建从需求到部署的端到端自动化交付能力，从而实现研发效能的根本性变革。

一、背景与挑战

1. 演进路线：从人机协同到全自动

AI研发自动化的演进通常划分为三个阶段：L1（人工主导）、L2（人机协同）和L3（全自动）。回顾2025年，行业正处于以“技术方案驱动代码生成”为核心的L2阶段。这意味着我们的焦点正从编码环节，系统性地向需求管理和部署运维等上下游环节延伸。

那么，如何从L2平稳过渡到L3？这需要遵循一个明确的三步走路径：首先，巩固“技术方案生成代码”这一核心能力；其次，打通“从技术方案到交付上线”的完整工程链路；最终，实现“从需求提出到交付上线”的端到端闭环。完成这三个阶段，才具备迈向L3全自动化交付的坚实底座。

图1.1 演进路线图

2. 核心挑战：通往L3的四大关卡

要实现从L2到L3的全面升级，必须攻克以下四个系统性挑战：

• 交付流程标准化：如何将依赖个人经验的、离散的交付动作，沉淀为AI可理解、可执行的标准化流程？
• 需求描述规范化：如何将模糊的自然语言需求，转化为结构清晰、无歧义的机器可读指令？
• 知识库高质量建设：如何构建一个高精度、易检索的知识体系，为AI的决策与执行提供可靠的上下文支持？
• 核心技能（Skills）标准化与复用：如何将各类工具链操作封装成可插拔、可复用的标准化技能，避免能力重复建设？

二、详细实践：分阶段构建自动化交付能力

我们的长期目标是构建一个具备自愈能力、实现需求至发布全链路自动化的AI交付平台。其成熟形态是由多个AI智能体自主协同的“N Agent交付模式”，即L3级全自动化。

我们采取了分阶段演进的务实策略：当前L2阶段的核心是“人机协同”，重点在于打通并集成研发、测试、部署等关键工具链（MCP），为高阶自动化奠定工程基础。待此阶段能力稳固后，再系统性迈向L3的AI全自动化交付。

1. 人机协同（L2）：打通关键链路

（1）技术方案到代码：夯实基础

过去一年，我们聚焦于编码阶段的效能提升。通过建立“AI技术规范索引+模板化技术方案+MCP工具集成+AI自我总结”的新范式，取得了显著成效。该范式的核心是为AI提供明确的规则（Rules）、结构化的输入（Prompt）以及高效的工具（MCP），使其能在既定框架内进行高效协作。

图2.1 面向AI Agent的研发流程图

然而，从端到端视角审视，大量人工精力依然消耗在方案设计、代码评审和测试验证等非编码环节。因此，我们将自动化探索的范围，逐步向流程的上下游扩展。

（2）技术方案到交付：贯通下游

为了将自动化从代码生成延伸至部署交付，我们在技术方案中引入了“执行清单”。通过CodeBuddy，结合模板化技术方案、测试/发布执行清单以及精准的Prompt，我们分阶段实现了以下目标：

• 研发阶段：基于清晰的代码分层架构（如控制器层、业务层、持久层）生成代码，并完成单元测试的编写与验证。
• 测试阶段：利用七彩石配置、DDL/DML工单、蓝盾流水线、Lego环境创建等MCP工具，一键准备测试环境，并基于自动化测试用例验证代码质量。
• 部署阶段：借助七彩石配置、DDL/DML工单等MCP工具完成发布前准备，并通过无人值守功能，自动完成智研发布单的申请与执行。

图2.2 技术方案到交付的研发流程图

为实现这一流程，我们完成了一系列关键的工程化升级：

• 联通工具链：与测试、运维团队协作，建设了LegoMcp/Skills、DDLMcp/Skills、接口自动化测试Mcp/Skills，并接入无人值守，真正打通了从研发到部署发布的工程壁垒。
• Lego环境创建及更新：通过建设Lego环境的MCP工具，支持在CodeBuddy内部一键拉起测试环境，耗时仅需5-10分钟，实现了零平台切换。

• DDL申请：建设DDL Skill与Mcp工具后，将数据库变更申请的耗时降低到了秒级。

• 接口自动化测试：以审核业务的申诉复审场景为试点，通过AI自动识别代码变更，生成存量/增量接口的自动化测试用例，最终通过CodeBuddy MCP一键发起自测。

（注：在申诉复审场景中，当前主要通过“人工梳理结合AI辅助”的方式构建全链路自动化测试用例。由AI端到端自动生成完整测试用例的能力，仍是未来重要的迭代方向。）

• 接入无人值守：实现发布流程的自动化触发与执行。

这一系列架构升级带来了显著的效能收益：

• 跨平台减少：测试和部署链路从需要横跨6个不同平台，优化为在CodeBuddy内部即可完成闭环。
• 操作步骤减少：从测试到部署的步骤从12个优化到5个（理想情况下可压缩至2个）。
• 耗时大幅降低：测试环境创建/更新平均节约1小时，节约比例超60%；部署阶段平均节约0.5天，节约比例达50%。

图2.3 技术方案到部署交付流程图

（3）需求到交付：打通上游

在实现技术方案至部署的链路贯通后，我们自然将重心转向更上游的环节——如何从需求直接生成可交付的代码？最终，通过串联“需求到代码”和“代码到部署”这两大阶段，我们形成了从需求到部署的端到端全链路闭环，为未来的AI全自动化交付体系奠定了工程基础。

图2.4 需求到代码生成流程图

在这一实践中，我们沉淀了宝贵的工程资产。通过构建1个PRD-Agent、5套规范化标准、3个知识库与3项核心技能，形成了一套具备良好通用性与可扩展性的能力体系，已能覆盖和支持多数工程场景的快速落地。

2. AI全自动化交付（L3）：构建标准框架

尽管基于CodeBuddy，我们完成了从需求到部署的实践，但过程中仍存在较多人工干预环节。为了迈向真正的L3，我们引入了“Harness Engineering for AI Coding”理念，构建了一套标准的工程交付框架。

这套框架的核心价值在于：它不仅实现了从需求、方案、开发、测试到发布的全流程自动化串联，更重要的是，通过内置的需求评审、方案评审、质量门禁与MR等工程卡点，保障了核心交付质量。同时，框架具备闭环反馈与卡点自动修复能力，支撑流程向自适应、无人值守方向演进。此外，我们持续沉淀标准Rules、高质量知识库与可复用Skills，系统性增强大模型在复杂链路中的决策与执行可靠性。

图2.5 AI全自动化架构图

我们在审核业务中选取了6个试点需求，基于OpenClaw完成从需求到代码生成的试验，最终沉淀出一套标准的交付框架与能力，为后续在全中心推广铺平了道路。

通过这次实践，我们成功沉淀出一套标准交付流程、三套核心技能，并实现了与Tapd的深度集成，建立了规范化的需求管理链路。目前，该能力体系已具备较强的工程普适性。

3. 效果数据

基于OpenClaw/CodeBuddy模式，6个试点需求经过三轮迭代优化，成果显著：需求评分稳定在80分以上，技术方案评分达80分以上；平均生成对话轮次仅需2轮；代码行采纳率超过90%，AI生成率达到80%以上。这些数据初步验证了自动化交付框架的有效性。

三、实践总结：挑战与应对

在基于OpenClaw/CodeBuddy验证全链路的过程中，我们遇到了诸多挑战。值得庆幸的是，大部分问题已得到有效解决，这为后续的推广奠定了坚实基础。为了系统沉淀经验，我们分别从需求侧与编码侧对典型问题进行了梳理。

四、未来展望：双轮驱动的AI全自动化平台

经过从L2到L3的实践，并结合业界的“Harness”理念，我们对L3阶段有了更深刻的认知。我们认为，AI全自动化交付可以归纳为一个公式：AI全自动化交付 = LLM + Harness Engineering（工作流程 + 知识库 + Skills管理） + Business Engineering（Skills + 知识库的沉淀）。

更进一步，我们认为一个完整、健壮的AI全自动化平台，应由两套并行且协同的框架构成：AI全自动化交付框架与AI全自动化治理框架。

• 交付框架聚焦于“效率”，旨在实现从需求到发布的全流程自动化串联，并通过内置的工程卡点与自修复机制，保障交付流程的稳定与高质量。
• 治理框架则聚焦于“质量”，通过构建全域数据洞察系统，实现线上服务的自动巡检与修复、异常的实时感知与优化，以及知识与Skills的自动化回溯与更新，系统性保障架构、性能与可用性。

二者共同构成“交付驱动效率，治理保障质量”的双轮驱动体系，确保AI研发全流程在持续高效运转的同时，始终朝向有序、可持续的方向演进。

图4.1 AI全自动化平台架构图

五、结语

目前，我们基于OpenClaw/CodeBuddy初步构建了AI全自动化交付框架，但其交付流程与Skills管理仍处于线下、非中心化的初级阶段。同时，AI全自动化治理框架尚在规划之中。为了实现整个体系的标准化与规模化应用，下一步，我们计划与研效团队紧密协同，将这两大框架全面整合并迁移至AMS一站式研效平台，最终达成线上化、中心化的统一管理，让AI研发效能提升惠及更广泛的工程实践。

来源：互联网