AI Agent在研发中的“真坑”与“实锤”：重塑“需求-开发-运维”流程

随着2025年Agentic AI应用的兴起，AI4SE（Artificial Intelligence for Software Engineering）在提升效率方面达成了广泛共识，但企业在落地过程中遭遇了诸多挑战。那么，AI Agent实施中究竟有哪些“真坑”需要规避？它又是如何重塑“需求 - 开发 - 运维”的全流程呢？

近期，InfoQ《极客有约》携手AICon直播栏目，特别邀请了趣丸科技运维总监刘亚丹担任主持人，与中兴通讯资深需求教练和AI教练王玉霞、蚂蚁集团高级前端技术专家郭华翔、趣丸科技基础架构组负责人黄金一起，在QCon全球软件开发大会2025上海站即将召开之际，共同探讨AI4SE的未来发展。

部分精彩观点摘要如下：

• 前端知识库因结构复杂、对多模态支持需求高，且需重新组织以适应AI理解方式，成为一大挑战。
• 自学习机制需让Agent从人机协同中持续学习，通过微调或再训练回馈模型，掌握非书面化知识。
• 在落地过程中，效率和质量的提升固然吸引人，但同样需重视“人”的因素，包括人的成长与幸福感提升。
• 面对技术快速变化的现状，正确的做法是先行实践，再不断优化，确保AI真正服务于研发需求。
• 无论技术如何发展，人的创造力与价值追求始终是核心。

以下内容基于直播速记整理，经InfoQ删减。

刘亚丹：当前AI Agent在研发体系中，是“聪明助手”还是可自主决策的“同事”？其能力边界何在？传统研发链路（需求 - 设计 - 开发 - 运维）将如何被AI Agent改造？

郭华翔：以前端为例，我们提出“AI协同研发工具链”概念，旨在实现全链路智能化升级。强调“协同研发”而非“智能研发”，因为AI在复杂场景中更多起辅助作用。从技术实现看，Agent本质上是一个循环（Loop），“Human in the Loop”说明人在循环中的重要性。

我们界定AI能力边界为：工作中重复、机械、不愿做的事可交给AI。例如单元测试用例生成、埋点、D to C的UI还原等。人类则可将更多精力投入项目设计、复杂问题处理等创造性环节。

关于前端领域对AI接受度较高的问题，我认为是AI在前端代码生成方面效果显著。一方面，前端开源资源丰富；另一方面，前端代码交付成果直观。但这并非前端对AI接受度更高，而是应用更具可见性。从实际情况看，实现真正的AI协同研发，前端仍面临挑战。

刘亚丹：黄金老师，您运维的Agent能自学习了，现在能替On-Call工程师做决策了吗？

黄金：运维保障系统稳定，引入过多不可控因素难以接受。目前大模型在运维领域主要起辅助作用，让人能完成更多工作或显著提升效率。但人仍是系统中不可替代的核心。当前大多数AI应用以“增强人”的能力为目标。

AI擅长事务性或流程性工作，如单据申请、知识查询、执行标准化操作流程等。但在“客户满意度”或“授权审批”等关键环节仍需人工参与。运维涉及跨部门协作，目前AI远不能替代。未来可能实现，但现阶段仍需人工主导。

刘亚丹：玉霞老师，您做需求Agent也涉及对需求的理解和决策，如何看待Agent自主性？在需求领域，边界又在哪里？

王玉霞：我们在需求管理中提出“需求Agent”概念，最初以“需求Copilot”辅助模式开始。希望通过更精准的需求分析，识别真正的用户痛点与价值。

目前需求Agent能处理大量重复性工作，如用户访谈内容整理、竞品信息收集等。AI先整理数据，需求人员则负责筛选和判断有价值的信息和问题。

实践中为Agent设置多个“卡点”，即完成任务后需人工确认。例如分析完需求价值后需人工判断结论是否正确。过去为了赶进度常忽略细节，如今借助AI做得更精致。需求人员可将精力集中在更高层面的工作。

刘亚丹：在AI Agent落地过程中，最让你们“头疼”的挑战是什么？是技术瓶颈、数据质量、团队接受度还是流程改造？玉霞老师，您从0到1构建知识工程的第一步是不是先“说服”大家？是怎么做到的？

王玉霞：研发团队最初不太接受Agent概念，质疑其是否真正理解业务及内容质量是否可靠。为此引入知识工程概念。教练团队承担知识库建设基础工作，完成前期要素梳理与框架搭建后选择试点团队验证效果。

结果显示差异显著：没有知识库时Agent输出内容偏离实际需求；加入知识库后能进分析业务推理。虽然结果不可能百分之百精准但有五六成可用程度显著提升质量。

...（以下部分保持原文内容不变）