AI

大家都在说工作流,那我们到底是用开源的呢,还是定制自己的呢?

作者头像 刘宇帅
556 0

做团队 AI 工作流,第一个把我卡住的问题,不是技术。

而是——到底该用开源的,还是自己造一套?

说实话,我一开始也很犹豫。

毕竟"自己造轮子"这四个字,听着就不太聪明。

所以动手之前,我特意花了不少时间,认真研究了一圈现成的方案:BMAD、OpenSpec、SuperPowers、SpecKit……

一个个看下来,我的第一感受是:真优雅。 👏

设计思路清晰,工程化也讲究,看得出背后都是高手。

可越往深里看,我越发现:它们再好,也不是为我们这种团队设计的。

所以,最终我还是决定做我们自己的工作流

三个绕不过去的坎

具体说,是三个坎,每一个都硌得慌。

第一个,它们几乎都是冲着"单个项目"设计的。

而我们是微服务架构。

前后端服务加在一起,一百五十多个仓库。

这些工作流,拿来套任何一个单仓库都顺,可一摊开到我们这么一大片服务上,立马就力不从心。

第二个,它们都是通用方案。

通用,意味着不带任何"我们家"的东西。

可真实的开发流程,得跟一堆自有平台打通——需求管理平台、代码库、部署平台、文档系统……

想接上这些,就得自己再补一堆 skill 和规则。

补着补着,整套东西到处是缝、到处是补丁,看着就割裂。

第三个,它们各有各的好,也各有各的不好。

这个的需求拆解做得漂亮,那个的测试环节更扎实。

于是我就陷进去了:想改其中一个的逻辑?别扭。想把几个拼起来用?更别扭。

东拼西凑出来的,永远是个缝合怪。

所以,我决定自己做

这三个坎摆在面前,我想了又想,最后还是决定——自己来。

自己做最大的好处,就俩字:灵活。

业务是我们自己的,架构是我们自己的,团队的使用习惯也是我们自己的。

那就照着这些,量身定制。

哪个环节该重,哪个环节该轻,哪里要跟哪个平台打通,全自己说了算。

这样跑起来,才叫一个丝滑。

"自己做,不会很难吗?"

这是被问得最多的一句。

我的答案是:真没那么难。

原因有两个。

一是,前面那一圈开源项目,不是白看的。

它们的思想,全是现成的养料。 我不用从零开始想,站在这些肩膀上就行。

二是,没有人比你自己更懂你们的业务、架构和工具平台。

把"别人的思路"和"自己的熟悉"这两样一叠加,设计一套贴合自己的工作流,其实容易得很。

一个原则:先有,再好

但有一条原则,我想重点说说——先有,再好。

别一上来就追求大而全、追求优雅。

先把主流程跑通。

那第一刀切在哪?

切在开发流程里最繁琐、大家最不想干的那段活上。

先把这块硬骨头解决掉,正向反馈来得最快——大家一用,"哎,这玩意是真省事",事情就成了一半。

我们的第一版工作流,我就花了一天半。

没等它完美,先让大家用起来。

剩下的,全在使用里慢慢磨:哪儿别扭了补一刀,哪个环节卡了优化一下。

而且最妙的是——大家用顺了手,自己就开始主动来改了。 🙌

从"逼着用",到"抢着改",这个转变一旦发生,工作流就活了。

难的从来不是技术,是那个平衡点

说了这么多"不难",我还想往深里补一句。

真要说难,难的从来不是技术。

你看我们这一整套——工作流、知识库、工作台、云端执行器,听着挺唬人。

可拆开来看,没有一样是新技术。 全是一年前就摆在那儿的能力,谁都能用。

它真正的价值,不在于我发明了什么,而在于——我找到了那个平衡点。

什么平衡点?

我发现,大多数人对 AI 的判断,不是太高,就是太低。

要么把它想得太强,恨不得什么都甩给它;要么把它想得太弱,缩手缩脚只敢让它打打杂。

给多了,它扛不住,质量崩;给少了,又没意义,纯属浪费。

那条"刚刚好"的线,特别难找。

我也是某一天,脑子里"咔"地一下——突然就想通了。

想明白了 AI 现在到底该干到哪一步,也想明白了它未来该长成什么样,更想明白了:我该走一条什么样的路,把它从现在一步步带到那个未来。

现在回头看这几个月走过的路,跟我当初画的那张图,基本一致。

这种踏实,比做出什么炫技的东西,舒服多了。

最后

开源还是自研,其实没有标准答案。

如果你的场景够标准,拿开源的直接用,没毛病。

但如果你也像我们一样——一堆仓库、一堆自有平台、一堆自己的"",那自己做,反而是更省心的那条路。

别被"造轮子"三个字吓住。

你要的从来不是那套最优雅的工作流。

而是最合你们脚的那一套。

合脚,比好看重要得多。

作者头像

刘宇帅

非著名程序员,全栈开发工程师,长期专注系统开发与架构设计。

提示

功能待开通!


暂无评论~

相关文章

AI Coding 搞了一年,我才认准真正的护城河是知识库

AI Coding 时代最大的护城河,不是模型,不是 Agent,也不是工作流。 而是知识库。 这是我折腾了一整年 AI Coding,到最后才慢慢看明白的事。 可一开始,我和大多数人一样,劲儿全使在另一个地方——工作流。 怎么把写 PRD、出方案、写代码、生成测试串成一条链路,让 AI 一步步往下跑。 工作流跑通了,下一个问题马上冒出来—— AI 跑这些命令的时候,到底读什么? 光给它代码,不够。 于是所有人又一窝蜂去搞知识库。研发在搞,产品在搞,业务也在搞。 可搞着搞着我发现一件事:几乎没人能说清,知识库到底该是什么。 先说说,知识库不该是什么 很多人理解的知识库,是"把代码翻

Loop Engineering:每篇文章都在讲,但没人告诉你怎么搭

最近 Loop Engineering 在持续刷屏。 公众号在刷,各种群里在讨论,我也看了好几篇文章。 每篇都有道理——五个组件、目标定义、古德哈特定律,逻辑很清晰,我都信了。 但看完之后有点空。 我的工作流该怎么 Loop 化?从哪起手?搭出来以后长什么样? 没一篇说清楚。 所以想聊聊我自己的理解,以及我们实际在做的事——我们团队搭了个叫 Talos 的系统,算是目前我见过最接近"生产级 Loop Engineering"的垂类实践。 Loop 其实只有两种形态 在我看来,Loop Engineering 这件事,放长了看只有两个终点。 第一个是通用智能 AI。 它足够强

从个人提速到团队提效:我们这半年的AI Coding工程化实践

去年开始,团队里每个人都用上 AI 写代码了。 按理说,效率该起飞了。 可折腾了大半年,我才慢慢看清:每个人都明显变强了,但团队的合力却没跟着强起来。 会用 AI 的人,效率飞涨。 用得浅的人,被甩在后面。 几十个开发,几十套打法——各自的 prompt 习惯、各自的提示词、各自摸索出的一套方法。 这本来不是坏事。 坏就坏在,大家的产出开始对不上了。 同一个功能,不同人让 AI 写出来的代码,风格能差出十万八千里。 某个同事摸到一个好用的技巧,群里截图一发,热闹两句,然后就沉底了。 下一个新人进来,还是从零开始踩。 文档呢?散在各个服务的 README 里,或者干脆躺在某个人的电脑里。 遇到跨

AI工作流跑不起来,问题可能出在PRD

前面几篇,聊了团队怎么搭 AI 工作流、怎么建知识库。 今天聊聊 AI 在 PRD 编写和质量保障上,我们做了些什么。 其实这块从一开始就在工作流里。只是在开始的MVP版本里,核心全压在开发环节。 等大家真用起来,一个问题立马浮出水面: PRD 质量一般,工作流出来的技术方案,质量自然也上不去。 道理特别朴素:垃圾进,垃圾出。 源头的 PRD 含糊,后面 AI 再能干,也只是替你把这份含糊"发扬光大"。 所以我决定还是要治理一下这个源头。 第一步:先给 PRD 做个体检 我做的第一件事,是一个 PRD 质量检测 skill。 注意,它不碰业务逻辑,只做"规范层&q

AI Coding 跑顺了,真正的难关才开始

最近这几天,我又开始焦虑了。 原因是,我突然意识到一件事。 已经有一阵子,没人反馈 Zeus 的问题了。 Zeus 是我们团队做的一套 AI Coding 工具体系。 说白了,就是想让 AI 把"写代码"这件事,从头到尾接过去。 用了两个多月,大家从一开始的别扭、吐槽、不信任,慢慢变成了—— 用得挺顺。 顺到,没人抱怨了。 按理说,这是天大的好事。 可那一刻,我心里咯噔一下。 因为"没人提问题",有两种可能:一种是真的没问题了,另一种是,大家已经看不见问题了。 我估计,是后者。 浮在水面上的,是看得见的成绩 这半年,团队是真的变样了。 Zeus、Zeus