原创 钱平、亢江妹 2025-04-09 19:00 陕西
企业如何借力Team AI？知识工程筑基+三项举措抢先看
随着DeepSeek R1等新一代大语言模型以及Agent技术的日趋成熟，可能出现全新的软件开发模式——Team AI，开启软件工程的新篇章。而其基石，则是研发知识工程。
本文将深入探讨以下三个核心议题：
●AI4SE的新范式——Team AI： 勾勒 Team AI的未来图景和核心能力。
●研发知识工程： 揭示Team AI的基石，阐述其关键活动、落地原则与实践案例。
●2025年行动指南： 为企业提供落地研发知识工程的三大战略建议。
一、Team AI：重塑软件开发协作模式
从ChatGPT，到 GitHub Copilot、Cursor 和Devin，AI研发工具过去2年不断突破，但大规模研发组织的效能并没有显著改变。为什么？
我们认为，核心原因在于现有AI工具的应用局限性、能力短板以及与业务上下文的脱节。更深层次的原因在于，它们未能触及软件工程的本质——知识的转化、应用与创新。软件开发不仅仅是代码的堆砌，更是知识的流动与沉淀。
然而，随着DeepSeek R1等新一代大语言模型以及Agent技术的日趋成熟，则可能出现新的契机：更强更自主的 Agent，以及利用 AI 加速团队内的知识转化，改变过去软件工程中的人机协同，形成全新的协作方式——Team AI，从而给研发效能带来新的突破。
那么什么是Team AI 呢？Team AI并非简单地将AI工具引入开发流程，而是对现有协作模式的重构。它并非旨在取代人类工程师，而是通过AI赋能，让人与机器各展所长，实现更高效、更智能的协同。
1. 角色融合：人人都是“全栈+专家”
在传统的软件开发团队中，角色分工明确，不同成员各司其职。然而，这种模式在应对复杂、多变的业务需求时，往往暴露出沟通成本高、协作效率低等问题。Team AI则打破了这种壁垒，通过AI的赋能，让每个团队成员都能具备更全面的技能，成为“全栈+专家”型的复合型人才。
例如，借助AI Agent，产品经理可以更轻松地完成用户调研、需求分析、原型设计等工作；开发工程师可以更快速地编写代码、调试程序、优化性能；测试工程师可以更高效地设计测试用例、执行测试、分析结果。AI的介入，让每个人都能跨越专业边界，参与到软件开发的各个环节，从而提升整体协作效率。
2. Agent成员：AI成为团队新伙伴
Team AI的另一个显著特征是，引入了自动化Agent作为团队的新成员。这些Agent更智能、更自主，有效地完成研发团队中分解的任务，如根据需求描述设计需求原型、根据产品创意进行细致的竞品分析等，能够与人类成员并肩作战，共同完成更复杂的任务。这些Agent还可以再组成一个AI小团队，如自动设计实现“MVP 原型”。在一些领先的组织里，可能将会出现这种新型 One-Pizza 的团队：4 个人类核心成员+20-50个Agent成员共同完成软件交付工作。
3. Team AI(AI for the whole Team)全景示意
实现这样的新协作范式，实际上需要有相应的平台能力支撑：
●基础设施：包括研发数仓、通用大模型等，为Team AI的运行提供底层支撑。
●软件研发知识工程：负责组织中从知识挖掘到知识应用到知识回流，负责构建和维护各场景Agent所需的知识库，为Agent的决策和行动提供支持。
●Team AI 平台:提供 Agent成员模版、Agent成员定制管理、Agent Team构建、Agent成员共享等。
● AI增强的团队工作台：这是团队人类成员与AI Agent协作的交互界面，给Agent分配任务，查看结果，给Agent反馈，与 Agent 探讨协作完成任务。
二、知识工程：Team AI的基石
更智能、更自主、能独立完成一块工作任务的Agent，需要依赖于企业私域的上下文和知识，需要依赖于知识工程。
1. 研发知识工程的内涵
研发知识工程，是指对企业内部的研发数据进行系统化的治理、挖掘、应用、管理和迭代，构建一个能够支撑AI Agent运行的知识体系。与传统的知识管理不同，研发知识工程更加强调知识的动态性、情境性和可演化性。它不是一次性的建设工程，而是一个持续迭代、不断完善的循环过程。在这个过程中，AI大模型将发挥至关重要的作用，加速知识的获取、处理和应用。
研发知识工程的核心活动主要包括以下几个方面：
●数据治理：这是基础中的基础。企业需要对内部的各种研发数据进行清洗、整理、标注和关联，消除数据噪声，提高数据质量，为后续的知识挖掘奠定基础。
●知识挖掘：这是核心环节。利用自然语言处理、机器学习等技术，从海量数据中提取出有价值的知识，例如业务规则、设计模式、最佳实践等。
●知识检索与应用：这是价值体现。将挖掘出的知识以结构化、语义化的形式存储起来，并通过各种方式（例如API、知识图谱、问答系统等）提供给AI Agent或其他应用场景。
●知识管理：这是持续运营的保障。建立完善的知识管理体系，对知识进行分类、存储、更新、维护和审计，确保知识的准确性、时效性和安全性。
数据或者信息必需经过人类的应用经验结合才成为知识——所以，知识是个动态更新的过程。研发数据治理和知识挖掘，本质上就是把数据转换成 AI-Ready的知识。
数据/信息 知识 AI Ready知识 是最基础、最原始的信息。单纯的事实或数字,没有上下文。例如，我们可以说“38.5°C”是一个数据，但它本身并没有告诉我们太多信息。 基于数据及上下文的理解和经验,可以帮助我们做出决策或解决问题。通常是通过学习和积累经验得到的。例如，“人体正常体温是37℃，超过37℃就是发烧。小明的体温是38.5℃，他发烧了。”这就是知识，它将数据与上下文结合，给出了具体的含义和判断。 经过结构化组织、有索引、支持通过现有技术高效查询检索的知识。例如，业务领域对象知识图谱，它将业务领域的概念、实体、关系等以结构化的方式组织起来，方便计算机理解和应用。 2. 研发知识工程的落地原则
在实际落地研发知识工程时，我们需要遵循以下几个原则：
●面向领域/主题构建知识库：知识库的构建不应是“大而全”的，而应根据具体的业务领域或主题进行划分，例如产品知识库、架构知识库、测试知识库等。这样可以提高知识的针对性和可维护性。
●按数据/知识类型做技术设计：不同的数据类型和知识类型，需要采用不同的技术进行处理和存储。例如，对于非结构化文本，可以采用自然语言处理技术进行分析和提取；对于结构化数据，可以采用关系数据库或图数据库进行存储。
●按应用场景规划按需构建：知识库的建设应以实际应用场景为导向，优先满足那些能够带来最大价值的场景。避免盲目追求“高大上”的技术，而忽略了实际的业务需求。
3. 案例：Haiven™助力需求分析与知识工程闭环
Thoughtworks推出的Haiven™平台，为企业提供了一站式的Team AI构建解决方案。它可以作为企业的AI加速器，连接并增强企业内部的研发知识，帮助企业快速搭建自己的Team AI。这里，我们通过一个实际案例，来展示Haiven™如何助力需求分析，并实现知识工程的闭环。
3.1 项目背景与挑战
在这个项目中，我们与一家企业合作，目标是提升其需求分析的效率和质量。该企业面临以下挑战：
●编写负担重：产品经理需要花费大量时间编写详细的需求文档，但往往效率低下。
●缺乏标准化：不同产品经理的需求文档风格各异，格式和内容五花八门，导致开发团队理解困难。
●知识难以沉淀和复用: 好的经验, 往往只存在于个别产品经理的头脑中, 无法形成组织级别的知识积累.
3.2 解决方案：基于Haiven™的Team AI需求分析助手
我们利用Haiven™平台，为该企业构建了一个Team AI需求分析助手。该助手集成了多个Agent，包括：
●用户旅程Agent：辅助产品经理设计用户旅程，分析用户行为。
●需求初稿Agent：根据产品经理的初步想法，自动生成需求文档初稿。
●需求完善Agent：对需求文档进行完善，补充细节，检查一致性。
●知识提取Agent：从需求文档中提取关键知识, 更新到知识库中.
●知识推荐Agent：在需求分析的过程中, 推荐相关的知识和最佳实践.
●领域术语Agent：规范需求文档的术语.
这些Agent协同工作，形成了一个完整的需求分析流程。
3.3 知识工程闭环
该项目的关键在于，利用大模型实现知识工程的闭环：
●冷启动：利用Haiven™内置的通用知识库（包含产品知识、架构知识、行业最佳实践等），以及企业已有的部分文档，快速启动知识库的建设。
●知识内化：将这些知识输入到各个Agent中，使Agent具备初步的需求分析能力。
●应用与反馈： 产品经理使用Team AI需求分析助手进行实际的需求分析工作，Agent在过程中提供辅助，并记录用户的操作和反馈。
●知识外化：
1. AI总结新需求： 从需求文档中提取关键信息，例如新的业务规则、新的用户场景等。
2. AI分析改动动作： 识别需求文档中频繁修改的部分，分析背后的原因。
3. AI提出优化建议： 基于分析结果，自动生成知识库更新建议，例如新增知识条目、修改现有知识、调整知识结构等。
●知识更新： 知识运营官/工程师根据AI的建议，对知识库进行更新和维护。
●持续迭代： 更新后的知识库再次被Agent使用，形成一个持续改进的闭环。
演示视频：
3.4 实施TeamAI和知识工程的成效收益
根据我们与多家客户的合作经验，通过端到端减少价值流浪费，实施TeamAI和知识工程可以带来显著的成效：
●生产力提升： 预计可实现10-30%的生产力提升。
●成本优化：这意味着每年有机会优化工程成本，最高可节省20%。
三、2025年行动指南：落地研发知识工程的三大关键
1. 研发数据盘点：掘金“知识矿产”，规避“信息沼泽”
全面梳理企业内部的研发数据，是构建知识库的第一步。企业需要对现有的数据资产进行彻底盘点，区分出哪些是具有潜在价值的“知识矿产”，哪些是冗余、过时、甚至有害的“信息沼泽”。通过建立数据目录、评估数据质量、制定清洗计划，企业可以为后续的知识挖掘和应用奠定基础。
2. Team AI蓝图规划：驱动“活的”知识库建设
有了数据基础，接下来需要规划Team AI的蓝图，明确AI Agent的应用场景以及它们所需要的知识。这里的“活的”知识库，是指知识库能够随着业务的发展和团队的实践不断更新和演化。企业应从实际应用场景出发，设计专门的AI Agent，并根据Agent的功能需求，确定所需的知识主题和数据来源。
3. 培养知识运营官/工程师：打造知识管理专业团队
知识库的建设和维护，需要专业的人员来负责。企业需要识别和培养一批具备知识管理和AI技能的复合型人才，担任知识运营官或知识工程师的角色。他们将成为企业内部的知识专家，负责知识的获取、整理、存储、更新、应用和推广，确保知识库的持续运营和价值实现。
结语：拥抱AI4SE新时代，共创软件工程新未来
未来的软件工程师，将不再仅仅是代码的编写者，更是由AI赋能的知识工程师。他们将更多地关注业务逻辑、系统设计、知识管理和创新，而将繁琐的编码工作交给AI。
衡量软件工程师价值的标准，将不再只是代码的贡献量，而是他们所创造和管理的知识的价值。衡量软件组织竞争力的标准，也将不再只是交付需求的数量，而是知识迭代的速度和质量。
让我们一起开创AI4SE的新范式！
