AI如何賦能企業研發？快手團隊提出“臭鼬工廠”模式

作者 | 畢偉豪 編輯｜李水青 10月31日報道，今天，快手在技術沙龍上結合企業級AI生產力平臺iWork的實踐，分享了AI如何從輔助編程逐步走向團隊協作與組織級提效，並沉澱為企業生產力基礎設施。快手企業智能體建設負責人、企業AI生產力專家沈浪覆盤了快手過去兩年AI生產力建設的四個階段：從AI賦能工程師、全體員工，到AI賦能團隊和組織。他特別提出，個人提效並不等於團隊提效，企業需要將個人經驗沉澱為可複用的數字員工、工作流和Skill，進一步推動團隊能力共享與組織級Agent協作。《軟件工程3.

0》作者、同濟大學特聘教授朱少民則從工程方法論出發，分享了企業級智能體落地的關鍵路徑，強調通過規約工程、駕馭工程和質量門禁，建立Agent可靠交付的工程體系。快手磁力引擎風控技術負責人王東旭則從組織變革的角度，分享了快手從“超級個體”走向“液態組織”和“臭鼬工廠”的探索，嘗試通過打破崗位邊界、減少協作環節，讓AI帶來的技術效率真正轉化為組織效率。OPPO產研提效產品負責人郝剛分享了OPPO內部的AI Native演進路徑，介紹了從工具普及、個人提效到組織提效的實踐，以及如何通過高質量知識庫、AI交付工作流和智能體協同交付平臺CoMind，推動AI融入完整研發流程。

快手磁力引擎風控質量負責人呂鼕鼕則聚焦AI規模化應用中的質量保障問題，他認為，AI提升研發單兵產出速度的同時，也讓驗證能力成為新的瓶頸。面對需求變更頻繁、AI生成用例可信度不足等挑戰，團隊正在探索需求測試智能分級、風險挖掘和智能體自主測試，並通過異源交叉、人工真值校準等方式，解決“AI測AI”過程中的可信度問題。一、個人、團隊再到組織，AI重塑企業組織模式 當AI工具逐漸普及，企業面臨問題，是如何將分散在員工個體身上的效率提升，轉化為團隊協作和組織能力。來自快手、OPPO的三位嘉賓分享了企業AI轉型從個人提效走向組織變革的不同路徑。

1、沈浪：從個人到組織，快手AI生產力的四階段演進 快手企業智能體建設負責人、企業AI生產力專家沈浪認為，企業AI轉型需要經歷從個人到團隊、再到組織的逐步演進。快手將這一過程劃分為四個階段：AI賦能工程師、AI賦能全體員工、AI賦能團隊，以及AI賦能組織。第一階段，快手主要通過產品升級優化研發範式，讓AI從代碼輔助逐步走向Agent自主研發。第二階段，快手將AI使用範圍從工程師擴展到全體員工，讓不同崗位的員工都能充分使用AI。第三階段是快手實踐中的一個重要轉折點。通過大量實踐，快手將技術團隊劃分為四類：複雜業務開發團隊、AI友好開發團隊、產研閉環交付團隊和AI原生交付團隊。

四類團隊在AI研發流程中的參與程度和自主化程度各不相同，AI也由輔助單項研發任務，逐步向承擔完整研發交付流程演進。在非技術團隊中，快手則提出了“先蒸餾、再摺疊”的提效思路：先將個人經驗AI化，通過數字員工、可複用工作流等方式沉澱個人能力，再通過知識、Skill和工具共享，將個人經驗轉化為團隊可以共同調用的能力。基於這一思路，快手推出MyFlicker 2.0團隊AI產品形態。據沈浪介紹，目前快手園區已有1000多個團隊Agent在運行。第四階段，快手開始探索從團隊AI走向組織AI。

沈浪指出，團隊AI的規模和成熟度各不相同，而整個組織是一個全新的業態，雖然其運行邏輯與團隊AI相似，但在協作方式和能力整合上存在本質區別。以HR體系為例，組織級AI不僅需要處理招聘、績效、員工服務等單項任務，還需要打通不同職能之間的知識、數據和業務流程。為此，快手正在研發MyFlicker 3.0，通過增加工作臺功能，為組織AI提供穩定的Agent底座，推動AI從團隊內部的能力複用進一步走向跨團隊、跨業務的組織協作。

2、王東旭：超級個體、液態組織再到臭鼬工廠，快手探索組織變革新模式 快手磁力引擎風控技術負責人王東旭認為，AI對人的影響呈現出一條“微笑曲線”：能力強的人藉助AI進一步放大優勢，能力相對弱的人則可能被拉開差距，馬太效應愈發明顯。面對這一變化，快手探索了三個階段：從打造“超級個體”，到構建“液態組織”，再到形成“臭鼬工廠”模式。第一階段，快手通過IDE、瀏覽器Vibe Coding和CLI Agent等方式，不斷放大個體能力。但超級個體並不能自動帶來團隊效率提升。為此，快手推動算法與工程、前端與後端融合，讓具備業務上下文的技術人員承擔更多工作，也通過技術讓渡，將部分提示詞工程交給運營人員。

在前後端融合過程中，快手還建設了多倉全棧Agent Harness。不過，即使實現AI全棧開發，組織效率仍有天花板。王東旭指出，開發環節約佔端到端交付流程的20%，即使AI讓代碼開發效率提升10倍，整體交付效率也只能提升約22%。因此，快手最終選擇了“消除”這條組織提效路線，通過綁定共同業務目標、減少流轉節點、集中產運研決策等方式，消除不必要的協調成本，讓小團隊形成業務閉環，逐步形成“臭鼬工廠”模式。據王東旭介紹，經過這套組織與工程方式的調整，團隊需求吞吐率提高了133%，交付週期縮短了79%，全棧交付需求數提高了800%，並獲得快手內部領域級AI樣板間的榮譽。

不過，臭鼬工廠模式也面臨新的挑戰：當小團隊需要與大型組織協作時，外部流程和跨部門協調仍可能形成阻礙。王東旭認為，這一瓶頸的打破需要更多臭鼬工廠的出現，通過多個具備自主交付能力的小團隊協同，逐步打破大型組織中的協作壁壘。3、郝剛：走向AI Native組織，需要自上而下和自下而上 OPPO產研提效產品負責人郝剛分享了OPPO內部的AI Native演進路徑：從工具普及、個人提效，到組織提效，最終走向AI Native組織。在工具普及階段，OPPO將AI引入編程、測試、運營、審核、遊戲和設計等日常工作，甚至曾要求員工達到一定的月度Token消耗量。

同時，OPPO通過AI README，讓項目文檔和工作內容更容易被AI理解，並逐步搭建數字人研發、模型廣場與知識庫，以及Skill和MCP中心等平臺能力。隨著AI工具逐漸普及，OPPO也發現，個人效率提升並不意味著團隊交付效率同步提高。為此，OPPO開始提高研發流程中AI能夠參與和掌控的環節佔比，並重點推進兩件事：建設高質量知識庫，以及打造能夠持續演進的AI交付工作流，以擴大AI協同交付的覆蓋範圍，減少重複交接和等待。在組織層面，OPPO先選擇部分人員開展AI轉型試驗，再逐步推進業務流程重構、專業能力沉澱和平臺底座建設。

其內部的CoMind智能體協同交付平臺，能夠承接從想法、需求提出到最終上線交付的完整流程，為團隊協作提供AI能力支持。對於如何走向AI Native，郝剛認為，需要自上而下與自下而上兩條路徑共同推進：管理者既要親自上手，也要判斷轉型方向；員工則需要從超級個體走向協同的“蜂群”，讓判斷、執行和經驗彼此連接，形成團隊複利。二、AI無所不在，企業級AI需要保障可信 當AI深入團隊協作和企業研發流程，如何讓Agent在複雜業務環境中穩定執行任務，如何衡量交付質量，又如何防止效率提升帶來新的風險，這些問題成為了新的挑戰。兩位嘉賓分別從方法論和實踐兩個層面分享了，企業該如何解決這些問題。

1、朱少民：企業級智能體落地，需要精密的工程體系 《軟件工程3.0》作者、同濟大學特聘教授朱少民認為，企業級智能體落地不能只關注模型能力和代碼生成速度，更需要建立一套可靠的工程體系。企業生產力應當以可交付的客戶價值衡量，即企業生產力=可交付客戶價值/總投入。如果效率提升伴隨著質量、可交付率和可治理性的下降，企業整體生產力反而可能降低。他指出，生成不等於完成、個人提效不等於組織提效、Demo不等於可靠生產，企業需要將關注點從生成速度轉向交付速度，從個人效率轉向組織吞吐量，從模型能力轉向工程系統。在具體落地方法上，朱少民重點介紹了規約工程與駕馭工程。

規約工程旨在定義Agent的工作目標、上下文、約束和驗收條件。駕馭工程（Harness Engineering）則通過系統化的工程控制，為Agent建立明確的執行邊界和運行環境。此外，企業還需要建立質量門禁。由於Agent的行為具有概率性，不能僅依賴其自身判斷任務是否完成，而應通過分層質量檢查，對產出進行驗證、攔截和反饋，形成持續改進的閉環。對於企業的演進路徑，朱少民提出，可以分三步推進：首先進行架構清理和知識沉澱，為Agent參與研發打好基礎；其次搭建Harness框架，建立Agent自主執行任務的工程環境；最後構建質量門禁和反饋閉環，讓Agent從依賴外部能力和人工指導，逐步走向系統自主。

2、呂鼕鼕：構建合理需求測試分級體系，讓AI更好地測試AI 快手磁力引擎風控質量負責人呂鼕鼕認為，AI正在顯著提升研發單兵的交付速度，但代碼生成能力的提升，並不意味著質量保障能力同步增長。當需求變更更加頻繁、代碼產出更加細碎，甚至出現一些表面正確、實際語義錯誤的隱性缺陷時，驗證能力就可能成為新的瓶頸。這一變化也帶來了新的質量風險：測試速度跟不上研發節奏，項目容易堆積在質量驗證環節；AI生成的測試用例和結論缺乏足夠的可信度；重複代碼增多、代碼腐化加速，也讓質量審核更加困難。此外，團隊對AI提效的主觀感受可能強於實際產出，容易造成過於樂觀的判斷。

針對這些問題，呂鼕鼕分享了快手團隊正在探索的需求測試智能分級體系。其團隊將人工判斷經驗與AI分析能力結合，建立智能分級流程，把需求劃分為高、中、低三個風險等級，並匹配不同的測試策略：高風險需求由人工主導、AI輔助；中風險需求由AI與人工協同；低風險需求則更多交由AI主導。分級過程中還引入了包含12類檢測項的風險挖掘體系，覆蓋核心業務鏈路改動、數據安全與合規、上下文依賴及複雜度等因素，同時保留人工最高決策權限。隨著AI逐漸承擔更多測試工作，質量團隊也需要重新劃分職責邊界。

呂鼕鼕提出，智能測試要讓Agent逐步參與決定“測什麼、怎麼測、測多深”，通過策略決策模型，根據風險匹配測試組合，並給出可解釋的策略依據，最終形成結構化測試計劃。在測試執行環節，則需要進一步實現多工具協同、自主執行、穩定可靠和降本提效，讓測試從人工操作逐步走向智能體驅動。不過，讓AI參與測試，並不意味著可以直接相信AI給出的結論。尤其在“AI測AI”的場景中，被測對象本身具有不確定性，測試工具的判斷也可能存在偏差。為此，快手團隊探索了幾種可信度保障方法：通過異源交叉驗證降低單一模型偏差，以變異測試檢驗測試能力，用人工真值校準AI判斷，並堅持依據證據而非結論做質量決策。

結語：從個人提效到組織協同，AI深度影響企業協作模式 從個人使用AI編寫代碼，到團隊藉助智能體協同交付，再到企業重新設計組織和研發流程，AI帶來的變化正在從單點工具提效，深入到企業生產力體系的重構。企業引入AI，最終要看的不只是代碼寫得有多快、單個員工效率提升多少，更要看能否讓團隊協作更順暢、交付更加可靠，並將個人經驗沉澱為組織可以持續複用的能力。