专题演讲嘉宾：许锡彬

AI Coding 正在从「帮我写一段代码」走向「把一个需求交付成可上线、可维护的软件」。但多数团队卡在了中间：Agent 已经能跨文件写出大部分代码，人却仍要逐行 review 每一个 diff——review成了新瓶颈，AI 越快，堵得越厉害。我们的判断是：卡点不在模型，而在信任基础没有升级。

借用 CMMI 的过程成熟度思想可以得出一个结论：AI 自主度每升一级，过程成熟度必须先升一级。想从「AI 写、我来审」（自主度 L2/L3）走到「我设计、AI 去做」（L4），就要把信任基础从「人看代码」迁移到「过程与证据」。本次分享以一个由 Agent 全链路自主研发的真实项目（基于 Rancher 的 K8S 资源管理平台，18 条需求，Java+Vue+Helm，在真实集群上验收）为样本，拆解我们沉淀的 SDDAutopilot工程范式，核心是一个公式 Spec·Gate·Evidence：以 spec-kit 为骨架，用带可判定验收标准的 FRS/SDS 设定边界；用开工时实例化、执行期只读的九项机械门禁代替人工盯梢；用全程落盘的运行档案、三方追溯和真环境 E2E 证据建立信任。

人机分工被收敛为四类 HITL 停点，其余歧义由 Agent 自主决策并登记、事后可推翻。交付不是终点：审查发现的安全与设计问题要么当场修复、要么入账为遗留项，进入下一迭代整改；每次运行的复盘再回写成流程本身的改进。分享会明确与同场议题的边界：同场分别聚焦存量大型代码库的资产化治理、平台化的多Agent 研发协作；本场的多 Agent 只用于流水线内部的角色分离（产出规格、独立审查），聚焦一条规格驱动的流水线如何让 Agent 从需求自主跑到可验收交付，并在迭代中持续演进。

演讲提纲

1. 从代码生成到软件交付：为什么多数团队卡在L2/L3
   • 两把尺子：AI自主度L0–L5分级（对标自动驾驶）×CMMI过程成熟度五级
   • VibeCoding的典型失败：上下文漂移、「假完成」、改A坏B、换个会话一切归零
   • 核心命题：L4的信任基础是「看结果、看报告、看指标」，而不是「看diff」
2. 范式全景：Spec·Gate·Evidence
   • Spec定边界：constitution硬约束+FRS（REQ+可判定的AC）+SDS（设计决策+可机检契约+回链AC）
   • Gate保质量：九项机械门禁（REQ追溯、覆盖率、代码规范、单测、E2E、converge、独立审查、文档齐备、可部署），执行期只读——人在确认点可以收紧（如覆盖率80%→95%），
   • 执行中不得放宽
   • Evidence建信任：state/assumptions/ADR/trace运行档案，一任务一提交，E2E逐用例留证
   • 一图看懂：需求→规格→测试用例→tasks→TDD实现→独立审查→真环境E2E→收尾报告与复盘
3. Spec：让规格而不是对话驱动Agent
   • 为什么SDD特别适合AI：补上下文漂移、约束自由发挥、让验证可以自动化
   • 产业印证：AWSKiro、ClaudeCodeSuperpowers、GitHubCopilotWorkspace走的是同一条路
   • 多Agent「三王议会」：主写起草、Review逐节评审、审核对照原始需求独立签发，协作产出FRS/SDS，过程件留档、终稿干净
   • tasks三方追溯：任务勾选↔带任务号的提交↔挂名用例通过，AI想假装做完，三处都得造假
   • converge逐条对账REQ→实现→测试，专治「单测全绿、任务全勾，需求却静默漏做」
4. Gate&Evidence：凭什么相信Agent说的「我做完了」
   • 四层防线：机械门禁/独立审查（另派subagent做代码与安全审查，实现者不给自己验收）/真环境E2E（不打桩）/人工抽检
   • 人机分工：HITL只停四类点——FRS确认、SDS确认、新授权与破坏性操作、连续失败求助；其余歧义登记假设清单，在确认点一并呈报
   • 真环境的价值：mock测试全绿，真实环境E2E却能暴露外部系统状态不同步、网络连接复用、最终一致性等mock覆盖不到的产品缺陷；Agent自行定位修复，再全量回归直到全绿
   • 长时运行的上下文工程：运行档案即Agent的外置记忆（断点恢复、子任务登记），踩坑沉淀进知识库供下次读取；环境可自检、可重置，用例可自清理，保证随时可重跑
5. 从交付到持续演进：效果、债务与流程自进化

听众收益

• 建立一把自我定位标尺：通过 AI 自主度（L0–L5）× 过程成熟度（CMMI），判断团队当前所处级别，以及现有过程能否支撑目标自主度
• 提炼一个记忆锚点公式：Spec·Gate·Evidence（规格定边界、门禁保质量、证据建信任），用于设计自有的 Agentic 交付流程
• 掌握一条可复用的 SDD 落地链路：基于 spec-kit 搭建骨架，通过 FRS/SDS 双规格、Tasks 三方追溯与 Converge 闭环，明确多 Agent 生成规格、独立审查的协作分工
• 设计一套人机分工与门禁机制：明确四类 HITL 停点、九项机械门禁，落实「执行期只读、收紧允许、放宽禁止」规则，以及独立审查与真实环境 E2E 的职责划分
• 构建一条持续演进路径：将审查发现纳入遗留项，按迭代偿还技术债；通过 A–H 八个维度（自主完成率、规格偏差率等）量化效果，并将复盘结果回写 Skill、将实践经验沉淀至知识库

演讲亮点

• 真实项目验证：基于 18 条业务需求，完成 Java+Vue+Helm 全栈项目，并在真实 K8s 集群完成验收，验证工程范式的实际可行性
• 重构认知框架：跳出模型调优和 Prompt 技巧，从 AI 自主度与 CMMI 过程成熟度两个维度，重新理解 AI 软件交付的核心挑战
• 沉淀工程方法：围绕 Spec·Gate·Evidence，分享规格管理、质量门禁、人机分工、三方追溯和遗留债务闭环等可复用实践
• 明确落地边界：客观分析当前方案的局限与痛点，分享可执行的落地步骤和度量体系，为企业建设 AI 研发流水线提供参考