7.8
深览指数
产品Bestblogs·InfoQ 中文··AI 生成
AI Coding 贡献率超 90%，需求交付却只快了 10%：菜鸟如何用 Agent 托管端到端交付？
菜鸟网络研发总监郭凤钊在 AICon 2026 的分享揭示了一个反直觉现状：AI Coding 贡献率达 90% 以上，但需求交付周期仅缩短约 10%，因为编码只占交付链路的 30%。文章核心贡献在于提出了一个务实的端到端 Agent 托管方案，以通用 Agent（如 Claude Code）为引擎（Harness），用 Plugin 承载能力、Playbook 描述流程、todo.json 保证执行的确定性，并聚焦于开发者不愿做但必须做的工单、体验优化、重复小需求等场景。适合正在落地 AI 研发效能、或对 Agent 工程化有实际困惑的工程管理者和技术负责人阅读。原文 ↗
核心观点
- ▍AI 编码渗透率提升但需求交付效率未同步增长，核心矛盾在于编码仅占交付链路的约 30%，其他环节（需求澄清、方案设计、测试部署）及人工确认瓶颈未被 AI 托管。
- ▍菜鸟提出的端到端 Agent 托管方案，以通用 Agent（如 Claude Coder）为 Harness，通过 Plugin 封装技能、子 Agent、钩子和 CLI 工具，用 Playbook 编写流程并转换为 todo.json 状态机来确保长程任务的确定性执行。
- 01菜鸟半年前 AI 编码贡献率约 10%，当前已达 90% 以上，但需求交付周期（从需求提出到上线）仅缩短约 10%。
- 02编码占整个需求交付链路的比例约 30%，其余 70% 的环节（需求澄清、技术方案设计、测试、部署等）依赖人工推动，且人工在各环节切换时的确认动作形成瓶颈。
- 03Prosemirror 基于通用 Agent 作核心 Harness，Plugin 作为能力容器，可挂载 Skill（Telemetry 等）、Subagent、Hooks（生命周期钩子）、CLI 工具等；外部规则通过 Playbook 描述后转成 todo.json，保证每一步有明确的 Entry Criteria（进入条件）和 Exit Criteria（退出条件）。
- 04产品策略聚焦于工单类需求（如安全漏洞修复）、体验优化类需求（如按钮调整）、重复性需求（如协议转换），这些任务具备边界清晰、应用和仓库已确定的特点。
- 05传统研发效能度量体系（DORA、SPACE、DevEx）各有局限：DORA 关注交付速度但忽略业务价值，SPACE 庞大难以优先，DevEx 强调心流但体验改善不等于效能提升。菜鸟建议以人均交付需求数、交付周期缩短等北极星指标，辅以需求颗粒度、规模变化等检查指标。
反方 / 局限
- — 当前方案高度依赖通用 Agent（如 Claude Code）作为 Harness，这意味着其能力天花板受限于底层模型的推理能力和上下文长度，模型能力若未跟上，方案的理想效果可能打折扣。
- — 文章承认调研了 Workflow（维护复杂）、自研 Agent（成本高）、逐个调用 Skill（未解决瓶颈问题）等替代方案后选择了现有路径，未深入讨论这些方案在特定场景下可能更具优势的情境。
- — 菜鸟聚焦的“开发者不愿做但必须做的工单/优化/重复类需求”是较为狭窄的切入点，对于更大的、高价值的需求重构（如核心业务逻辑重写、新系统立项）能否复制该模式，文章未给出明确结论。
4 分钟 · 4 卡片 · 7 资料
读原文 →