AI自动化如何从需求到部署全面提升研发效能

在追求研发效能突破的进程中，业界已形成一个明确共识：真正的效能跃升，不能仅局限于编码环节的局部优化，而必须覆盖从需求提出到最终部署的完整价值流。当前，研发团队的大量精力仍被消耗在方案设计、代码评审、测试验证等非编码的“衔接环节”，频繁的上下文切换与协作等待，构成了制约整体效率提升的关键瓶颈。

因此，我们的技术探索正从深耕AI辅助编码能力，系统性地向更上游的需求分析、方案设计，以及更下游的测试验证、部署发布环节延伸。核心目标清晰而坚定：通过AI技术将软件研发全流程的各个关键节点无缝串联，最终构建起从需求到部署的端到端自动化交付能力，从而驱动整体研发效能实现质的飞跃。

一、背景与挑战：迈向全自动化的必经之路

1. 演进路线：从人机协同到全自动

业界通常将AI在研发领域的自动化演进划分为三个阶段：L1（纯人工）、L2（人机协同）和L3（全自动）。回顾2025年，我们正处在以“技术方案驱动代码生成”为核心的L2阶段。这标志着我们的工作重心，正从聚焦于Coding本身，向需求管理、测试验证、部署运维等环节进行系统性辐射与赋能。

那么，如何从L2稳步迈向L3？这需要攀登一个清晰的三段式能力阶梯：首先，夯实“技术方案生成代码”这一核心基础能力；其次，打通“从技术方案到可交付物”的完整工程链路；最终，实现“从原始需求到最终交付”的端到端全流程贯通。唯有完整走完这三步，才算真正具备了迈入L3级全自动化交付阶段的坚实基础。

图1.1 AI研发效能演进路线图

2. 核心挑战：通往L3的四大关键关卡

要实现从L2人机协同到L3全自动化的全面演进，必须系统性地攻克以下四大核心挑战：

• 交付流程标准化：如何将分散的、高度依赖个人经验的交付动作，沉淀为可被AI精准理解和高效执行的标准化流程？
• 需求描述规范化：如何将模糊、多义的自然语言需求，转化为结构清晰、逻辑严谨、无歧义的机器可读指令？
• 知识库高质量建设：如何构建一个高质量、高覆盖、易检索的知识体系，为AI的复杂决策提供精准、可靠的上下文支持？
• 核心技能（Skills）标准化与复用：如何将各类研发、测试、运维工具链的操作，封装成可插拔、可复用、标准化的AI技能，避免重复建设与“烟囱式”开发？

二、详细实践：分阶段构建自动化交付能力

我们的终极愿景，是打造一个能够实现需求至发布全链路自动化、并具备自愈与自适应能力的智能交付平台。其成熟的标志，是形成由多个AI智能体自主协同工作的“N Agent交付模式”，达成L3级全自动化目标。

当然，罗马并非一日建成。我们确立了分阶段演进的务实路线：当前阶段（L2）的核心是“人机协同”，重点在于打通并深度集成研发、测试、部署等关键工具链（通过MCP协议），为高阶自动化奠定坚实的工程基础。待此阶段能力稳固后，再系统性地迈向L3的AI全自动化交付。

1. 人机协同（L2）：打通关键工程链路

（1）技术方案到代码：夯实自动化基础

过去一年，我们的主战场集中在Coding阶段。通过构建“AI技术规范索引+模板化技术方案+MCP工具集成+AI自我总结与优化”的新范式，实现了显著的效率提升。这套方法的核心在于，为AI提供了清晰的规则约束（Rules）、结构化的输入指令（Prompt）和趁手的工具集（MCP），使其能在既定的高质量框架内进行高效协作。

图2.1 面向AI Agent的研发流程图

然而，从需求到交付的全链路视角审视，大量人工精力仍耗费在方案设计、代码评审、测试验证等非编码环节。因此，我们将自动化探索的目光，逐步向研发流程的上下游延伸。

（2）技术方案到交付：贯通下游测试与部署

为了将自动化能力从代码生成延伸到测试与部署交付，我们在技术方案模板中扩展了“执行清单”。通过CodeBuddy平台，结合模板化的技术方案、测试/发布执行清单以及精准的Prompt工程，我们分阶段实现了以下目标：

• 研发阶段：基于清晰的代码层级结构（如控制器层、业务逻辑层、数据持久层）生成高质量代码，并同步完成单元测试的覆盖与验证。
• 测试阶段：利用七彩石配置管理、DDL/DML数据库工单、蓝盾持续集成流水线、Lego测试环境创建等MCP工具，实现一键式测试环境准备，并基于自动化测试用例对代码质量进行验证。
• 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，实现发布流程自动化。

图2.2 从技术方案到交付的研发流程图

为了实现这一自动化流程，我们进行了一系列关键的工程能力升级：

• 联通工具链：与测试、运维团队紧密协同，建设了LegoMcp/Skills、DDLMcp/Skills、接口自动化测试Mcp/Skills，并成功接入无人值守发布系统，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平台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，极大提升了测试效率。

• DDL申请自动化：建设DDL Skill与Mcp工具后，将数据库变更申请的耗时从小时级降低到了秒级，显著提升了数据库变更效率。

• 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自动识别代码逻辑，生成覆盖存量与增量的接口自动化测试用例，最终通过CodeBuddy MCP一键发起自测，保障接口质量。

（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、高覆盖度测试用例的能力，仍是未来重要的迭代与突破方向。）

• 接入无人值守发布：实现发布流程的自动化触发与执行，减少人工干预，提升发布效率与一致性。

这一系列架构与工具链升级带来了实实在在的效能收益：

• 跨平台操作减少：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。
• 操作步骤大幅精简：从测试到部署的关键步骤从12个优化到5个（在理想场景下可进一步压缩至2个）。
• 耗时显著降低：测试环境创建/更新平均节约1小时，节约比例超过60%；部署阶段平均节约0.5天，节约比例高达50%。

图2.3 技术方案到部署交付的完整流程图

（3）需求到交付：打通上游需求分析

在实现从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——如何从原始需求直接生成可执行的代码？最终，通过串联“需求到代码生成”和“代码到部署发布”这两大核心阶段，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坚实基础。

图2.4 从需求到代码生成的流程图

在这一关键实践中，我们沉淀了宝贵的经验与可复用的能力。通过构建1个PRD-Agent智能体、5套规范化标准、3个高质量知识库与3项核心AI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常见工程场景的快速落地。

2. AI全自动化交付（L3）：构建标准化工程框架

尽管基于CodeBuddy平台，我们完成了从需求到部署的初步实践，但过程中仍存在较多人工干预与确认环节。为了迈向真正的L3级全自动化，我们引入了“Harness Engineering for AI Coding”理念，构建了一套标准化的工程交付框架。

这套框架的精髓在于：它不仅实现了从需求分析、方案设计、代码开发、测试验证到发布上线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、质量门禁与合并请求（MR）等工程卡点，系统性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、无人值守方向持续演进。此外，我们持续沉淀标准Rules、高质量知识库与可复用Skills，系统性增强大语言模型在复杂工程链路中的决策准确性与执行可靠性。

图2.5 AI全自动化交付架构图

我们在审核业务中精心挑选了6个试点需求，基于OpenClaw平台完成从需求到代码生成的完整试验，最终沉淀出一套标准的交付框架与核心能力，为后续在全中心范围内推广铺平了道路。

通过这次深度实践，我们成功沉淀出一套标准交付流程、三套核心AI技能，并实现了与Tapd需求管理平台的深度集成，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与可复制性。

3. 效果数据与验证

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

三、实践总结：关键挑战与应对策略

在基于OpenClaw/CodeBuddy验证全链路自动化的过程中，我们遇到了诸多挑战。值得庆幸的是，大部分问题已通过工程化手段得到有效解决，这为后续的规模化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与总结。

四、未来展望：双轮驱动的AI全自动化平台

经过从L2到L3的深入实践，并结合业界的“Harness Engineering”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核心公式：AI全自动化交付 = LLM（大语言模型） + Harness Engineering（工作流程 + 知识库 + Skills管理） + Business Engineering（业务技能 + 领域知识库的沉淀）。

更进一步，我们认为一个完整、健壮、可持续的AI全自动化平台，应由两套并行且紧密协同的框架构成：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、高效与高质量。
• 治理框架则聚焦于“质量”与“可持续性”，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，系统性保障系统架构、性能指标与可用性。

二者共同构成“交付驱动效率提升，治理保障质量与稳定”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、可靠、可持续的方向演进。

图4.1 AI全自动化平台双轮驱动架构图

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与设计之中。为了实现整个体系的标准化与规模化应用，下一步，我们计划与研效平台团队紧密协同，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、中心化的统一管理与运营，让AI驱动的研发效能提升惠及更广泛的工程团队与实践场景。