AI 深度嵌入研发流程，已经不再只是“个人写代码更快”的工具问题，而是企业研发组织如何重新分工、重新编组、重新定义质量边界的问题。华为编译器与编程语言实验室在仓颉团队、编译器团队、标准库团队、昇腾算子迁移团队等多个真实工程场景中持续实践 AI 驱动开发，从三方库开发、工具生成、Crash 稳定性分析、Code Review，到编译器内存优化、标准库性能优化和算子迁移攻坚，逐步形成了从个人提效走向组织进化的方法论。

本次分享以“AI 研发的下半场是组织的进化”为主线，提出三组核心概念：Agent Centric Engineering、Human IO Loop 与 ATM。ACE 让 Agent 从辅助工具走向工程舞台中心，工程师从代码执行者上移为导演、编剧和质量仲裁者；Human IO Loop 用 Human On the Loop 与 Human In the Loop 区分人的治理位和判断位，让 Agent 最大化自主执行，同时把人的注意力集中在目标、边界、风险和可信结果上；ATM 则通过 Ability-based Task Matching，把任务池、人才池、Agent 池和优先级队列连接起来，让团队从固定职能组织转向任务驱动的动态作战组织。

分享还将介绍仓颉团队基于自身 ACE Engineering 经验沉淀并开源的 ACEHarness 系统。ACEHarness 把 Spec Driven Development、状态机工作流、Supervisor 智能路由、对抗式迭代、多 Agent 议场、Git 基线断点、长期记忆和 Skill 扩展等能力产品化，使“会用 Agent 的个人能力”升级为“团队可治理的 Agent 工程系统”。目前该系统已在公司内外部多个百人大型团队中使用，成为 ACE 方法论从团队经验走向工程平台的重要载体。

演讲提纲：

1. 背景判断：AI 研发进入下半场
   • 问题从"工具采用"转向"组织进化"
   • 全球四大 AI 圈层的形成（被遗忘群体 → 浅表应用 → 付费壁垒 → 规则制定者）
2. 个人效率到团队实践：仓颉团队五步走
   • 五步演进路径：局部试用 → 流程重塑 → 组织能力
   • 真实效率数据：三方库开发、工具开发、Crash 分析、文档英文化、API 测试、Code Review
   • ACE 模式的提出：工程师 = 导演 + 编剧 + 质量仲裁者
3. Human IO Loop：让 Agent 自主执行不失控
   • 方法论框架：Human On the Loop（系统可控）vs Human In the Loop（结果可信）
   • 案例一：编译器内存优化（高耦合场景）
     • 前置目标、接口边界、验证环境；Agent 自主执行方案设计 → 实现验证 → 自修复
   • 案例二：Hash 库性能优化（高知识密度场景）
     • 专家 + 实习生 + Agent 临时攻坚队；领域能力可复用
   • 核心原则：Agent 只能稳定改进"可验证的东西"
     • 测试、基准、日志、回归、审查标准是 Agentic 系统的边界
4. ACEHarness：把经验产品化、平台化、开源化
   • 系统能力：Spec 驱动、状态机工作流、Supervisor 路由、对抗式审查
   • Git 基线断点、长期记忆、知识资产沉淀
   • 规模：支撑多个百人大型团队使用
5. ATM：从固定分工到液态组织
   • ATM 方法论：能力标签连接任务池 × 人才池 × Agent 池 × 匹配引擎
     • 案例：昇腾算子迁移（Triton 算子 × AI 语义 × 编译器 IR × NPU 后端三层技术栈）
     • 案例：一周三线需求实战（A 客户 FLA / B 客户延迟 Gap / XX 平台批跑统计）
   • Human IO Loop 与 ATM 的关系：前者定治理边界，后者做最优配置
6. 认知升级：AI 时代的人与组织

​听众收益：

• 理解 Agent Centric Engineering 的核心逻辑：工程师不再只是写代码的人，而是目标、边界、流程和质量的组织者
• 获得 Human IO Loop 的系统化方法：区分 Human On the Loop 与 Human In the Loop，掌握如何让 Agent 自主执行而不失控
• 了解 ACEHarness 如何把仓颉团队的 ACE Engineering 经验产品化、平台化、开源化，并支撑多个百人大型团队使用
• 掌握 ATM 的组织变革思路：用能力标签而非固定岗位来匹配任务、人才和 Agent，形成按需动态编组的液态组织