从提需求到部署发布，全AI全自动化后，研发效能全面跃升

作者：jacksondeng、yuxuanlai、gcchaoguo

1、背景与挑战

1.1 背景

当前从需求到交付的全链路中，大量人工仍耗费在方案设计、代码评审、测试验证等非编码环节，频繁的上下文切换与协作等待严重制约了研发效能。为此，我们在深耕AI编码能力的同时，正将自动化向上游的需求、方案设计与下游的测试、部署环节延伸，旨在通过AI将各环节无缝串联，最终实现需求至部署的全自动化交付与研发效能的全面跃升。

1.2现状

审核将AI全自动化演进规划为L1（纯人工）、L2（人机协同）、L3（全自动）三个阶段。

2025年，我们处于以“技术方案生成代码”为核心的L2阶段。基于“研发效能提升需突破单点、覆盖全链路”的共识，我们正从聚焦Coding，向需求、测试、部署等环节系统化辐射。最终目标是借由AI将各环节无缝串联，构建需求至部署的端到端自动化交付能力，驱动整体研发效能实现80%的效能提升，具体演进路线可以参考图1.1所示：

图1.1 演进路线图

审核迈向L3需经历三段式能力阶梯：先夯实技术方案生成代码，再打通技术方案至交付链路，最终实现需求到交付的端到端跑通。在此基础之上，我们才会全面进入L3的全自动化交付阶段。详细信息如下：

1.3 挑战

审核要全面演进至L3阶段，需系统应对四大核心挑战：一是交付流程的标准化建设，二是需求描述的规范化与结构化，三是高质量、可检索的知识库搭建，四是核心技能（Skills）的标准化与复用。详细信息如下：

2、详细实践

我们致力于打造一个能够实现需求至发布全链路自动化、并具备自愈能力的AI交付平台。其成熟标志是形成由多个AI智能体自主协同的“N Agent交付模式”，达成L3级全自动化。为此，我们确立了分阶段演进的路线：现阶段（L2）的核心是“人机协同”，即全力打通并集成研发、测试、部署等关键工具链（MCP），为高阶自动化奠定工程基础。待此阶段稳固后，再系统性地迈向L3的AI全自动化交付阶段。

2.1.人机协同（L2）2.1.1 技术方案到代码

在过去一年我们聚焦在coding阶段，主要通过“AI技术规范(索引/rules) + 模板化(技术方案/prompt) + MCP工具集成 + AI自我总结”，实现生产力提升的人机协同新范式。详情可以参考《AI研发新范式：基于技术方案全链路生成代码》，具体流程如下：

图2.1 审核面向AI Agent研发流程图

但是从需求到交付的全链路中，大量人工仍耗费在方案设计、代码评审、测试验证等非编码环节，所以我们将目光逐步向上游的需求、方案设计与下游的测试、部署环节延伸。

2.1.2 技术方案到交付架构设计

我们在技术方案中，扩展出执行清单，然后通过codebuddy，基于模版化技术方案  +  模版化执行清单（测试执行清单、发布执行清单）+  模版化prompt，分阶段实现从研发到部署交付的目标。

● 研发阶段：基于代码层级结构、控制器层、业务层、持久层完成代码的生成及单元测试覆盖及验证

● 测试阶段：基于七彩石配置、DDL/DML工单、蓝盾流水线、lego环境创建等MCP工具实现测试环境的准备，基于自动化测试用例完成代码质量的验证

● 部署阶段：基于七彩石配置、DDL/DML工单等MCP工具完成发布前的准备，基于无人值守，完成智研发布单的申请、执行

图2.2 审核技术方案到交付的研发流程图

升级事项

我们联通测试、运维团队，通过建设LegoMcp/Skills、DDLMcp/Skills、接口自动化测试Mcp/Skills、接入无人值守，实现研发到部署发布的打通，为后续全自动化交付奠定基础。

Lego环境创建及更新

通过建设Lego环境的DDL、Mcp工具，支持用户在codebuddy内部一键拉起一套测试环境，整体耗时大概在5到10分钟，0平台切换

DDL申请

通过建设DDLSkill、DDLMcp工具，将DDL申请耗时降低到秒级以内

接口自动化测试

以审核的申诉复审场景为切入点，通过AI自动识别代码，生成存量接口/增量接口的自动化测试用例接口，最后通过codebuddy mcp一键发起接口自测，实现接口的自动化测试

注明：在审核申诉复审场景中，我们当前通过“人工梳理结合AI辅助”的方式，完成了全链路自动化测试用例的构建。目前尚未具备由AI端到端自动生成完整测试用例的能力，该方向存在较大的迭代与优化空间。

接入无人值守

架构升级收益

○ 跨平台减少：架构优化前，完成测试和部署链路的工作需要跨6个平台，优化后可以在CodeBuddy内部闭环完成测试和部署的所有操作

○ 操作步骤减少：从测试到部署的步骤从12个步骤优化到5个步骤（理想可优化为2个步骤），提升了研发的交付效率

○ 耗时减少：架构优化前，测试阶段环境创建/更新平均节约时长1h，节约比例达到60%+（暂未统计自动化测试部分）；部署阶段平均节约时长达到0.5d，节约比例达到50%

图2.3 技术方案到部署交付流程图2.1.3需求到交付架构设计

在实现技术方案至部署交付的链路贯通后，我们将重心转向需求至代码生成链路的建设。最终，通过串联这两大阶段，我们将形成从需求到部署的端到端全链路闭环，从而为构建未来的AI全自动化交付体系奠定坚实基础。具体开发流程如下：

图2.4 需求到代码生成流程图最佳实践

能力沉淀

在需求至代码生成的实践闭环中，我们已构建起一套完整的能力体系，沉淀出1个PRD-Agent、5套规范化标准、3个知识库与3项核心技能。该体系具备良好的通用性与可扩展性，已能覆盖并支持多数工程场景的快速落地。详情如下：

2.2AI全自动化交付（L3）架构设计

我们以 CodeBuddy 为基座，完成了从需求到部署交付的实践，但是发现人工干预的环节还是比较多。在此基础上，我们引入了 Harness Engineering for AI Coding  理念，构建了一套标准的工程交付框架。该框架实现了从需求、方案、开发、测试到发布的全流程自动化串联；通过需求评审、方案评审、质量门禁与 MR 等工程卡点保障核心质量；并具备闭环反馈与卡点自动修复能力，支撑流程向自适应、无人值守方向演进。同时，我们持续沉淀标准 Rules、高质量知识库与可复用的 Skills，以此优化 AI 的上下文质量，系统性地增强大模型在复杂交付链路中的决策与执行可靠性。

图2.5 AI全自动化架构图最佳实践

我们通过在审核挑选6个试点需求，基于openclaw完成需求到代码生成的试验，最终沉淀出一套标准的交付框架与能力，方便后续在全中心推广。

能力沉淀

通过AI全自动化实践，我们已沉淀出一套标准交付流程、三套核心技能，并实现了与Tapd的深度集成，建立起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，可支持多数业务场景的快速接入与应用。详情如下：

2.3、效果数据

基于OpenClaw/CodeBuddy模式，我们完成了6个试点需求的三轮迭代优化且成果显著，需求评分稳定在80分以上，技术方案评分达80分以上；平均生成对话轮次2轮；代码行采纳率达90%以上，AI生成率达到80%以上。

3、实践总结

在基于OpenClaw/CodeBuddy模式验证需求到部署的全链路过程中，我们遇到了诸多挑战。目前，大部分问题已得到有效解决，这为我们在中心内的顺利推广奠定了坚实基础。为系统沉淀经验，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，具体如下：

4、未来展望

经过对L2~L3阶段的实践，然后结合业界的harness理念，我们认为L3阶段可归纳为：AI全自动化交付 = LLM + Harness Engineering（工作流程 + 知识库 + skills管理） + Business Engineering（skills + 知识库的沉淀），具体公式组成如下：

我们认为，一个完整的AI全自动化平台应由两套并行、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 。

AI全自动化交付框架旨在实现从需求、设计、开发、测试到发布的全流程自动化串联，并通过内置的需求评审、方案评审、质量门禁与MR等工程卡点，结合闭环反馈与自修复机制，保障交付流程的稳定、自适应与高质量。

AI全自动化治理框架则与其并行，通过构建覆盖运行时日志、监测指标、Spec知识与中间产物的全域数据洞察系统，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，从而系统性地保障架构、性能与可用性。

二者共同构成“交付驱动效率，治理保障质量”的双轮驱动体系，确保AI研发全流程在持续高效运转中，始终朝向有序、可持续的方向演进，如图4.1所示：

图4.1 AI全自动化平台架构图5、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中。为实现体系的标准化与规模化，我们计划与研效团队协同，将这两大框架全面整合并迁移至AMS一站式研效平台，以达成线上化、中心化的统一管理。