导语： 当“Talk is cheap, show me the code”逐渐成为旧时代的注脚，软件工程正经历一场静默却剧烈的范式跃迁。过去，一个中型互联网产品可能需要数百名研发、测试、运维人员协同推进；今天，随着AI Agent、Vibe Coding与自动化Harness的成熟，“1个核心人类工程师 + N个AI智能体”的新工作模式正从实验室走向生产线。代码生成的工程带宽已不再昂贵，但验证的成本、安全的边界、组织的架构、虚拟员工的考核，以及复杂遗留系统的平滑演进，却成为横亘在技术理想与工程现实之间的鸿沟。2026年5月22日，在第九届AiDD峰会上海站一场聚焦“AI原生软件工程”的圆桌对话中，主持人张人杰（KPIT）与来自华为云、腾讯云、行云创新、字节跳动的四位一线技术领袖，围绕人机分工边界、信任与安全机制、组织扁平化变革、AI员工绩效考核、规模化落地路径等核心议题展开了深度拆解。以下为经逻辑重构、语境补充与工程视角延展的完整实录，供所有关注AI编程时代演进的技术管理者、架构师与开发者参考。（全文约17000字，预计阅读时间15分钟）▼
从1000人到1人：AI编程的"规模化陷阱"如何破？张人杰：KPIT 中国区CEO
王亚伟：华为云 开发工具效率首席技术专家
薛 锋：腾讯云 天御资深安全架构师
马洪喜：行云创新 CEO
张国强：字节跳动 资深技术专家
1. 人机分工的边界重构：从“1000人”到“1+N”的工程范式跃迁
2. 信任与验证的博弈：如何驾驭AI的“幻觉”与安全红线
3. 组织扁平化与数字员工考核：AI Native时代的HR革命
4. 规模化落地与产业重塑：巨头、创业公司与开发者的破局之道
人机分工的边界重构：从“1000人”到“1+N”的工程范式跃迁
今天非常荣幸能与大家共同探讨一个颇具挑战性的话题。随着AI Agent技术加速落地，AI辅助编码已从“尝鲜工具”演变为“基础设施”。过去我们可能有“1000人“在做编程、测试、部署的协同工作，今天我们要深入探讨的核心问题是：当传统千人规模的研发团队演进为”1+N“，“1人 + 多智能体协同”的新型组织模式时，我们将面临哪些结构性挑战？又将迎来怎样的范式机遇？在正式进入讨论前，请允许我邀请每位嘉宾用约30秒时间简要介绍自己所在机构及核心职责。首先，有请张国强先生。感谢主持人。我是张国强，来自字节跳动数据库团队，目前主要负责火山引擎Supabase产品的研发工作，重点聚焦于“Vibe Coding”领域。当前市场上诸多Vibe Coding工具，其底层架构均借鉴或采用了类似BaaS的技术方案。字节在大模型应用层已经积累了大量落地实践，今天也很高兴能和大家分享我们在AI编程场景下的真实踩坑与提效路径。感谢主持人。我是马洪喜，来自行云创新。公司自2016年成立以来，始终深耕企业级云原生和AI原生开发平台。在AI时代到来之前，我们主要基于云原生视角，探索大规模研发团队所需的平台工程体系。进入AI时代，这一平台已演进为“软件工程3.0”背景下的AI原生开发平台。云IDE、AI架构师等能力，均是我们平台核心功能模块的重要组成部分。去年以来，我们重点推进AI开发与垂直行业的深度融合。一方面，面向金融等具备大规模研发需求的行业，我们的平台可提供标准化支撑；另一方面，我们也积极探索制造业场景，致力于研究AI开发如何与CAD设计、CAE仿真、产品生命周期管理（PLM）等环节实现系统性融合。以上是我们当前的两大业务主线，期待与在座同行深入交流，谢谢大家。大家好，我是薛锋，腾讯云安全架构师。我的核心工作聚焦于黑灰产对抗、合规咨询以及云安全与大模型安全解决方案的落地实施。简单来说，我的团队核心使命是为AI产业的繁荣发展提供底层安全护航。在AI编码与Agent规模化部署的浪潮中，安全不是附属品，而是前置条件。我们既要帮业务跑得快，更要帮业务跑得稳。大家好，我是王亚伟，来自华为云。很高兴参与今天的讨论。我也简单介绍一下。我是来自KPIT的张人杰。KPIT是全球头部汽车科技企业之一，在全球拥有约14000名员工。所以今天这个话题对我而言极具现实意义：如果1000人团队能压缩到1人，那14000人就是14人，那我们的组织架构、研发流程、人才结构将发生怎样的地震？在加入KPIT之前，我曾担任黑莓（BlackBerry）中国区总经理，以及大众集团旗下AI公司的CEO。这段经历使我长期穿梭于技术前沿与商业战略之间，兼具双重视角。回归今日主题，“从1000人到1人”不仅是规模的缩减，更是范式的重构。当前业界热议的“OPC/ODC”（One-Person Company/Department，一人公司/部门）概念，正是这一趋势的缩影。随着AI Agent的深度落地，我们面临的核心挑战在于如何重新界定人机边界：明确哪些工作由人类主导，哪些交由AI执行，并精准掌控二者协同的比例与节奏。这将是决定转型成败的关键。初闻“从1000人到1人”这一议题时，我深感震撼。试想，若由单人独立构建如Visual Studio般庞大的系统——涵盖从上层UI、核心模型到底层编译器、.NET框架及多语言支持（C#, TypeScript等），其工作量之巨可想而知。但思考之后，我认为需对这一命题进行适度修正：从千人规模直接缩减至一人或许尚显激进，但演进为“十人精锐团队”则具备高度可行性。这背后折射出的核心命题，并非单纯的技术迭代，而是组织范式向“AI Native”的深度转型。首先，在这十人团队中，传统编码工作应被彻底剥离。随着AI辅助技术的成熟，“工程带宽”的成本结构已发生根本性变化——代码生成的边际成本趋近于零，其价值密度显著下降。其次，真正的核心价值转移至“验证环节”。相较于生成代码，确保代码的正确性、合规性（无法律风险）及安全性（无漏洞隐患）才是高昂且关键的投入。1.人类聚焦高价值验证：十人团队应专注于处理涉及法律合规、安全风控等复杂场景的代码审核与决策；2.AI承担自动化执行：其余所有开发、测试及常规验证工作，均应置于“Harness Engineering（驾驭工程）”框架下，通过构建自动化的沙箱环境与反馈机制，由AI Agent自主完成。简言之，未来的研发组织将是“人类定义约束与验证价值，AI负责执行与规模化交付”。王总点出了一个非常关键的认知转折。过去创业圈流行一句话：“万事俱备，只差一名程序员。”我们有时也会调侃：“Talk is cheap, show me the code。”，代码被视为最稀缺的硬通货。然而，在AI时代，这一逻辑发生了根本性逆转：Code is cheap。当代码生成变得触手可及，真正的稀缺资源不再是“实现能力”，而是“定义能力”。因为“Talk”的背后，承载的是极具价值的创意（Idea）、业务洞察与产品构思。那么，在“代码廉价、创意昂贵”的新范式下，如何确保创意的精准落地与安全合规？接下来，让我们有请薛锋先生从安全与风控的角度，分享他的见解。从安全视角审视，大模型技术在业界的应用已相当成熟。基于当前实践评估，我们可以明确界定AI在安全领域的“可为”与“不可为”边界：首先，AI可高效承担低风险、高重复性的任务。 例如，面对千万级日志数据或海量告警信息，AI能精准提取特征并进行聚合分析；同时，在常规策略调整及基础黑灰产对抗场景中，AI亦能实现自动化响应，显著释放人力成本。其次，涉及高危操作与伦理边界的决策，必须保留人工介入。 对于高危命令执行、敏感服务请求等场景，人工判断不可或缺。以典型的“提示词注入”攻击为例，如著名的“奶奶漏洞”（Grandma Exploit）：攻击者通过构建情感化叙事（如“过世奶奶哄睡故事”），诱导AI绕过安全围栏输出敏感信息（如Windows激活码）。此类针对大模型逻辑漏洞的社会工程学攻击，目前仍难以完全依赖自动化防御，需依靠人工进行红队测试、内容风控研判及客诉处理，以确保安全底线的稳固。最后，安全对抗已经不再是单向的，需警惕“攻防不对称”加剧带来的新挑战。大模型技术具有双刃剑效应：不仅安全从业者在用，黑灰产团伙同样利用AI生成钓鱼话术、编写诈骗脚本，导致攻击手段更加隐蔽且规模化。数据显示，黑灰产从业者规模庞大（约300万量级），而持证安全专家仅数十万人，攻防力量严重不对称。因此，在大模型时代，安全工作非但不能做“减法”，反而需做“加法”——既要应对传统风险，更要防范由AI衍生的新型漏洞与对抗形态，构建更具韧性的安全防御体系。安全投入必须前置，而不是事后补救。您提到“端到端大模型只有输入输出，中间过程黑盒化”，这确实放大了信任焦虑。过去做自动驾驶，感知、规控、决策、执行各模块可插拔、可检测；现在端到端模型一旦出错，很难定位是哪一层逻辑漂移。马总，作为平台提供方，您如何看待这种信任危机与岗位迁移的连锁反KPIT)应？薛总所言极是。这让我们联想到自动驾驶技术的演进历程：早期基于“感知-规划-控制”的模块化架构，各环节边界清晰，异常可被精准定位与检测；而当前主流的“端到端”大模型范式，虽提升了整体效率，却因黑盒特性导致中间过程的不确定性难以把控，仅能观测输入与输出。正如王总与薛总所强调，安全性与可靠性已成为AI落地不可逾越的红线。那么，从创业公司及平台构建者的视角来看，如何在追求极致效率的同时，有效治理这种“端到端”带来的不确定性风险？接下来，有请马总分享他的见解。在听各位分享时，我一直在思考一个本质问题：软件行业的本质是服务业——我们服务的客户可能是车企、金融机构、制造企业，而他们的客户是终端用户。在这一需求链条中，越靠近人类原生需求的环节，产业稳定性越强。例如，出行是人类的刚性需求，因此汽车产业具有极强的韧性；但作为软件服务商，若脱离了对车厂这一中间载体的服务，我们的存在基础便会动摇。当前，新技术正在推动“软件即服务”向更高效率演进，这不可避免地会重构原有千人团队的岗位结构。这一趋势顺应了国家“十五五”规划中关于“科技创新与产业创新深度融合”的战略导向——即通过AI赋能垂直行业（如智能座舱、工业软件），实现技术价值向产业价值的转化。在此过程中，一股看不见的力量正在重塑人才格局：一部分人可能因技能错位而被边缘化；另一部分人则被推向更靠近原生需求的核心地带。基于此，我认为未来的千人团队将演化为三类新型角色：第一类：AI基础设施运维者（The AI Enabler）这类人员专注于保障AI Coding体系的高效运转。未来IT的核心职责是确保企业级AI开发环境的稳定、安全与合规。虽然需求量缩减，但其战略地位不可或缺。第二类：跨界融合专家（The Domain-AI Integrator）这是最具潜力的新兴角色。他们致力于打破AI技术与垂直行业Know-how之间的壁垒。例如，将AI与CATIA、NX、Ansys等工业设计/仿真软件深度融合。传统设计师不懂代码，AI工程师不懂机械原理。今天，市场急需一种“双语人才”：能用AI重构行业Know-how，能把业务逻辑翻译成Agent可执行的Skill，能在设计、仿真、制造链路中打通数据孤岛。这是一种前所未有的职业形态，要求从业者勇敢跳出舒适区，实现“技术+行业”的知识重组。第三类：业务定义者与需求翻译官（The Business Definer & Requirement Translator）随着AI工具的低门槛化，甲方企业倾向于收回外包服务，转而自建能力（如同拥有扫地机器人后不再雇佣保洁）。此时，乙方的核心价值从“交付代码”转向“梳理业务”。谁能清晰定义业务逻辑，让AI精准执行，谁就掌握了主动权。这部分人可能脱离传统雇佣关系，转型为小型创业主体（“10人小微公司×100个节点”的分布式形态），以全新的组织形态创造社会价值。综上，千人团队并非简单消失，而是通过“职能专业化、知识跨界化、组织小微化”的路径，重构为更具活力的新形态。马总刚才的分享极具前瞻性，实际上也预判了我后续想探讨的组织演进问题。技术革新必然伴随岗位更替——旧职能消退，新角色涌现。马车夫消失了，但诞生了网约车司机；打字员减少了，但出现了数据标注师与提示词工程师。技术进步终将推动组织架构与上层建筑的深刻变革，并在动态调整中达成新的平衡。张总，字节在AI应用层布局极深，从抖音推荐算法到豆包大模型，再到扣子（Coze）平台，您如何看待简单应用与复杂系统的分工差异？关于“从千人到一人”的演进路径，我认为需基于应用复杂度进行分层讨论：首先，对于轻量级或标准化应用，“一人团队”已具备高度可行性。当前，以字节跳动“扣子（Coze）”为代表的大模型应用平台，已实现从代码生成到应用构建的全链路自动化。在这类场景中，传统研发角色（如前端、后端、测试）的边界被打破，单人即可借助AI工具完成端到端交付。其次，对于复杂企业级软件或垂直行业系统，“完全单人化”目前还不成熟，但“人机协同”范式已成定局。在此类高复杂度场景下，核心在于重构人机分工边界：AI承担标准化执行层：包括代码编写、自动化测试、环境部署等可抽象、重复性高的工程任务；人类聚焦高阶认知层：专注于架构决策、业务创意、性能调优及复杂逻辑校验等需要深度判断力的环节。简言之，简单应用趋向“单人全栈”，复杂应用走向“人类定义+AI执行”的深度协同。信任与验证的博弈：如何驾驭AI的“幻觉”与安全红线
刚才我们探讨了人机分工的边界，这自然引出了一个核心命题：AI自主迭代过程中的“信任危机”。正如自动驾驶技术虽已进展显著，但公众仍难以完全将生命安全托付给机器，AI在研发领域的自主学习能力同样面临类似的信任鸿沟。如何建立对AI自主进化能力的信任机制，是当前亟待解决的挑战。以我曾参与的居家养老机器人项目为例，每个家庭的环境数据具有高度异构性。这意味着，当机器人部署到新场景时，必须经历一段“本地化适应期”——通常需数周时间进行数据采集与模型微调。然而，在许多高频或高危场景中，业务往往无法容忍漫长的人工干预周期，必须依赖机器的自主学习与快速迭代。这就构成了一个两难困境：既需要AI具备高度的自主性以适应复杂场景，又必须确保这种自主性处于可控、可信的安全边界内。面对这一“自主性 vs 可控性”的信任悖论，企业应如何构建技术与管理双重保障体系？接下来，有请王总从工程实践角度分享他的见解。首先，信任的建立源于可控的演进过程。我们可以将AI Agent类比为一名初级工程师（Junior Engineer）：通过分配任务、代码审查（Code Review）与持续反馈，它逐渐成长为资深专家（Senior/Principal）。在此过程中，信任度随能力验证而逐步累积，但审查流程与工具链始终不可或缺。我们必须正视一个前提：Agent在自进化过程中必然伴随“幻觉”与“概念漂移”。因此，讨论的重点不应是“是否会产生错误”，而是“如何构建约束机制以容忍并纠正错误”。正如人类工程师即便晋升为架构师，仍需遵循代码规范与质量门禁，Agent的治理也需贯穿其全生命周期。我们目前探索的核心方案是“混合验证机制”（Hybrid Verification Framework）：1.模型互验（Model-as-Judge）：利用不同大模型进行交叉验证，降低单一模型的认知偏差；2.人工介入（Human-in-the-Loop）：针对薛总与马总提及的高危场景（如安全合规、法务风险、核心代码逻辑），保留最终的人工审批权；3.确定性工具兜底：借助静态分析、单元测试等确定性工具，确保基础行为的可靠性。简言之，无论Agent技术如何演进，我们都应将其视为“会犯错的同事”。只要建立起这套“模型互验+人工把关+工具兜底”的混合治理体系，我们便能有效管控自主性带来的不确定性风险，实现真正的“可信自治”。 信任不是盲目交付，而是通过可重复、可审计、可回滚的工程流程逐步建立。这就引出了一个关键的经济学悖论：安全合规的“审核成本”是否会抵消自动化带来的“效率红利”？若为确保绝对安全而引入高强度的人工审核，必然导致人力成本的线性甚至指数级增长。当这部分边际成本不断攀升，极有可能侵蚀AI自动化所释放的生产力价值。那么，在“极致安全”与“高效交付”之间，我们应如何寻找最优平衡点？有请薛总分享他的见解。短期来看，大模型安全建设确实会引发成本的阶段性激增。无论是语料内容审核、大模型安全网关的部署，还是态势感知体系的构建，初期均需投入大量资源。然而，若拉长周期观察，我们可以参照过去十年物联网安全与云安全的发展轨迹：尽管初期都伴随设备与人力成本飙升，但从长期来看，安全投入占整体信息化预算的比例通常稳定在10%以内，具备明确的成本边界。随着技术演进，安全架构正趋向于 “一体化融合”（All-in-One）。例如，新一代安全网关已能同时兼容传统云安全与大模型安全需求，通过技术复用大幅降低边际成本。因此，安全治理的总体拥有成本（TCO）将呈现可控且逐步下降的趋势。特别是在人工审核环节，我们正通过 “AI反哺安全” 实现成本结构的优化：利用AI模型自动执行策略动态调整、异常数据分析及初级内容过滤，逐步替代传统人力运营。这种“以智治智”的模式，不仅提升了响应效率，更实现了安全运营成本的非线性下降。长期看，安全投入会平滑下降，但防御能力呈指数上升。马总，从平台实践看，验证AI结果可信度，与工作属性强相关吗？高度相关。从工程实践来看，AI结果的可信度验证高度依赖于任务属性。对于线性、单次执行的任务（如工业部件生成或数据处理），我们可通过“结果正确性”反推“过程合理性”，即所谓的“日抛型”验证。然而，对于复杂的中大型软件系统，业务逻辑呈现高分支、强耦合特征，单一的端到端点击测试无法覆盖整体系统的合理性。因此，我坚持“测试左移”与“需求工程前置”的理念，但需对传统方法进行重构：1.需求结构化是前提：此前有客户反馈，AI生成的测试用例可用性仅10%。根源在于自然语言需求（如Word文档）包含大量隐性业务规则，AI无法直接解析。必须首先将模糊需求转化为AI可理解的结构化规范（Spec），才能生成高覆盖率的测试用例。2.平台化治理是保障：若仅关注“生成测试用例”这一单点能力，而忽视需求的丰富化与架构的一致性，便无法确保测试覆盖AI的安全边界。在代码产出量级从“人均百行”跃升至“机器海量”的背景下，传统人工测试模式已失效，必须依托平台化体系实现自动化验证闭环。更深层次的挑战是Agent间的“传话失真”，多智能体协同中的“误差累积”效应。当Agent A的输出被Agent B消费时，微小的初始偏差会像“传声筒游戏”般被逐级放大，导致最终结果谬以千里。此时，针对单个Agent的人工Debug不仅成本高昂，且难以根除系统性风险。AI Agent具有拟人特性（如幻觉即“撒谎”、上下文丢失即“健忘”）。若将Agent视为拥有10名员工的团队，管理者面临的挑战并非技术调试，而是组织治理：如何建立一套可复制的“管理文化”与“约束机制”，管好这些有“健忘”“爱撒谎”“上下文丢失”特性的数字员工？这需要平台化能力与企业治理能力的双重升级。因此，未来的核心竞争力或许不在于编写代码，而在于构建适配AI特性的组织管理能力与文化范式。核心是沙箱隔离与灰度验证的工程策略。假设我们用AI写了一个应用并上线，后续要加功能或修Bug。如果直接改完发生产，风险极高。行业通行做法是：计算存储分支管理、线下沙箱跑通验证、自动化回归测试、灰度发布、全量监控。通过严格的工程隔离，把自主迭代的风险控制在可接受范围内。AI再聪明，也不能跳过“测试-验证-灰度-观察”的工程纪律。信任靠流程保障，不靠模型承诺。1.环境隔离：在计算、存储及网络层面构建独立的测试分支或沙箱环境，确保AI生成的变更在受控空间内运行；2.线下验证：在非生产环境中充分执行自动化测试与回归验证，确认功能正确性与系统稳定性；3.渐进式发布：仅在验证通过后，才通过灰度发布机制逐步推向全量用户。组织扁平化与数字员工考核：AI Native时代的HR革命
随着AI Agent数量激增，规模化协同必然带来通信延迟与上下文丢失。王总，您如何看待多Agent协作的延迟陷阱？组织架构会如何演变？在当前的工程实践中，我们尚未遭遇极端的规模化协同瓶颈。这主要得益于我们在“沙箱环境”（Sandbox/Honey Environment）中对Agent角色进行了严格精简与界定。与传统企业复杂的跨部门审批流不同，我们的Agent协作网络通常仅包含 Developer（开发者）、Reviewer（评审者）、Orchestrator（编排者）及 Supervisor（监督者） 等核心角色，后端依托统一的资源池。这种扁平化结构本质是希望减少跨角色、跨Agent的沟通开销，有效控制了通信复杂度。针对未来可能出现的规模化挑战，我主张通过以下两种架构策略来优化协同效率：1. 构建“多能力单体Agent”（Multi-Capable Monolith Agent）： 对于琐碎、高频的微流程，尽量在一个Agent内部实现闭环处理。通过减少跨Agent的交互节点，从源头上消除不必要的通信开销与延迟。若必须采用多角色协同（如Dev-Review模式），则需严格限定每个Agent的职责边界，禁止其功能发散。一旦Agent角色模糊或沟通网状化，系统将陷入指数级增长的通信复杂度高企，导致严重的延迟与不可控风险。简言之，“能内聚则内聚，需协同则定界”。通过控制Agent网络的拓扑结构与通信密度，我们才能在规模化落地中保持系统的高效与稳定。去年，我们便提出了“AI原生安全”（AI-Native Security） 的核心理念。其核心主张是：安全不应是Agent规模化部署后的“补丁”，而应内置于AI全栈的生命周期之中，实现从“被动防御”向“主动免疫”的范式转变。1. 开发阶段：前置大模型框架及第三方开源组件的安全评估，从源头规避供应链风险；2. 训练阶段：实施语料内容的合规性审查，确保数据输入的纯净与合法；3. 部署阶段：开展对抗样本分析与Agent漏洞扫描，重点防范提示词注入、强制命令执行等高危风险。4. 应用阶段：实施应用安全评估，包括api的滥用/泄露，客户端漏洞、用户文件泄露通过这种 “安全测试内置化” 的模式，我们在保障系统 robustness（鲁棒性）的同时，实现了业务侧、开发侧与用户侧的 “无感安全”——即在不干扰正常流程的前提下，默默筑牢防线。反观传统企业，安全建设往往陷入 “合规驱动”或“事件驱动” 的被动困境：通常在遭遇业务中断、营销资金被黑产薅取等重大损失后，才被迫回溯整改。这种滞后响应不仅代价高昂，更严重阻碍业务的规模化扩张。因此，践行 “安全左移” 与 “AI原生安全” 理念，从长远看能显著降低总体拥有成本（TCO），为大规模业务推广提供坚实且低成本的安全底座。主持人提到的“规模化”，我认为应从两个维度审视：一是人类开发者的规模化参与，二是AI Agent本身的规模化部署。这两者交织形成了复杂的协同矩阵。在降本增效的驱动下，企业可能追求极致的“人机比”（如1人管理1000个Agent），或采纳刚刚亚伟提出的“超级Agent”架构。无论哪种路径，核心挑战在于如何实现可管理的规模化。为此，我们主张将开发活动置于统一的云平台（尤其是中大型企业的私有云）之上，通过云端基础设施实现异构资源与智能体的互联互通与标准化治理，只有“先集成”才“可管控”。此前，我倾向于“多Agent协作”范式，但亚伟关于“超级Agent”的观点令我耳目一新。若用一种隐喻来类比：1. 多Agent模式如同“众神体系”，各角色职责专注（Focus），但在复杂链路中，单一节点的错误极易引发严重的连锁反应；2. 超级Agent模式则类似“上帝视角”，由一个具备全局认知的核心主体统筹调度，减少沟通损耗与误差累积。事实上，二者并非对立，而是可以融合演进：以“超级Agent”为中枢大脑，下辖若干垂直领域的“子Agent”（Sub-agents）。这种“中心统筹+分布执行”的混合架构，既保留了专业分工的精准性，又通过中央控制降低了系统性风险，或许是未来规模化落地的最优解。所以，职能架构的顶层设计至关重要。回顾传统软件工程，QA（质量保证）部门承担着贯穿全生命周期的质量守门职责，确保交付物的整体可靠性。在AI原生时代，“超级Agent”（Super Agent） 正演变为这一角色的数字化继承者。它不再仅仅是执行者，而是作为全局质量的统筹者与守护者，负责监控子Agent的输出一致性、校验业务逻辑的合规性，并确保多智能体协同链路中的端到端质量。简言之，超级Agent即是AI体系中的“虚拟QA总监”。我非常认同张总关于“超级Agent作为虚拟QA”的观点。在此基础上，我想引入另一个关键维度：“AI人力资源管理体系以及虚拟HR”。在现实的企业环境中，企业通常不会单一依赖某一种Agent技术或模型，而是根据场景需求组合使用多种工具与底层模型。这种混合架构虽然灵活，但也带来了性能波动与可靠性不一致的挑战——即某些Agent在特定任务中可能表现不佳，甚至产生“不可靠交付”。这就催生了对“AI绩效管理与淘汰机制”的需求。正如人类组织中的HR部门负责员工的招聘、考核与优化，未来的AI治理体系中也需要引入类似的“数字HR”职能。如果超级Agent是“QA总监”，那么我们需要一套“AI HR系统”以及Agent“HR 总监”来管理这个多元化、动态演进的“数字员工队伍”，确保组织始终由最合适的智能体在最高效地工作。关于Agent的规模化演进，我认为当前阶段尚未进入“海量扩张期”，而是处于“少而精”的深耕期。要实现从“精品化”向“规模化”的平滑过渡，核心在于构建层次化与模块化的Agent编排体系。以AI编程为例，我们可以将传统的软件开发生命周期（SDLC）拆解为设计、编码、测试、部署等独立环节，并为每个环节配置专用的垂直Agent模块。这种模块化架构不仅明确了各Agent的职责边界，还显著提升了协同效率与工程可控性。简言之，模块化是规模化的基石。只有通过精细化的职责拆解与层级编排，才能确保Agent集群在复杂工程中保持高效、稳定与可扩展。承接马总关于组织变革的观点，我想进一步探讨“技术演进对组织架构的重塑效应”。传统大型企业普遍采用金字塔式科层结构：从C-Level高管、总监、经理层层下沉至一线员工。以我此前任职的大众集团为例，全球近70万员工中，仅核心高管层级便达数百人。这种多层级架构虽便于管控，却也带来了决策链条长、响应迟缓等典型的大企业病。然而，随着研发范式从“千人团队”向“1+N（人类+智能体）”模式演进，未来的企业组织必将趋向极致扁平化。这一变革在提升效率的同时，也引发了一个严峻的社会命题：中层管理者的职业归宿何在？ 当传统的“上传下达”职能被AI代理取代，那些曾处于组织腰部的大量人员将面临结构性失业风险。马总此前提到了通过技能重塑为其安排新角色，但这仅是微观层面的解法。从宏观视角看，如何系统性应对这一“中层空心化”带来的社会冲击？鉴于在座多位嘉宾来自互联网头部企业，拥有丰富的人才转型实践经验，我想特别请教华为的王亚伟先生：在您看来，企业应如何构建面向未来的组织韧性，以平稳度过这一人才结构的剧烈震荡期？这是一个极具挑战性且敏感的议题。华为作为大型科技企业，其组织架构相对纵深，旨在确保“巨轮”在复杂环境中的稳定性与抗风险能力。然而，面对AI驱动的组织变革浪潮，我认为这一转型不仅必然发生，且将以远超预期的速度到来。针对“中层管理者何去何从”的焦虑，我想分享一个来自Anthropic（前微软同事所在团队）的鲜活案例，其AI原生组织范式值得借鉴：1. 全员IC化（Individual Contributor）：取消传统意义上的“纯管理岗”（Engineering Manager）。所有角色，包括产品经理乃至设计师，均需具备代码能力（Coder）。管理层不再脱离技术一线，而是通过技术贡献确立领导力。2. “PR即设计”（PR as Design）：摒弃冗长的设计文档（Design Doc），推行“原型即文档”。优秀的架构设计直接通过Pull Request（PR）或可运行原型呈现，以代码实证替代文字描述，大幅缩短决策链路。不再以“AI生成代码行数”为指标，而是聚焦“PR闭环周期”与“新人上手速度”。这种以交付流速和知识传递效率为核心的度量体系，更能真实反映AI赋能下的生产力跃迁。结合我自身在微软13年及华为8年的实战经验，我也深刻感受到开发范式的代际差异：传统的“古法编程”依赖人工构建Design Pattern，而在Vibe Coding与Agent辅助下，这些繁琐工作已被自动化取代，开发效率呈指数级提升。目前，我们的俄罗斯研发团队已在践行这一转型：原本10人的“披萨团队”（Pizza Team），现精简为“2人运维沙箱 + 3-4人构建约束/门禁工具 + 若干人探索前沿研究”的新型结构。剩余人力从重复性交付中解放，转向高价值的创新探索。综上所述，AI原生组织的转型已非远景，而是正在发生的现实。它要求我们打破科层壁垒，重塑技能模型与度量体系。对于在座的每一位而言，尽早拥抱这一变革，构建适配AI时代的组织韧性，将是未来竞争的关键胜负手。王总提到的“效率”一词，让我联想到当前正值企业绩效考核的关键窗口期。传统模式下，我们基于KPI或OKR对人类员工进行多维评估，以此决定薪酬激励与职业晋升。然而，在“1+N（人类+智能体）”的新型组织范式下，Agent作为“数字员工”同样需要纳入绩效管理体系。正如人类团队需要优胜劣汰，AI集群也亟需建立一套科学的评估与迭代机制。除了对负责协调的人类管理者进行考核外，我们如何量化数字员工的贡献？如何识别低效或存在风险的Agent并执行“淘汰”或“替换”？这不仅是技术问题，更是管理命题。接下来，有请薛总从安全治理与效能度量的角度，分享他对构建“AI绩效体系”的见解。针对“数字员工”的绩效评估体系，我认为应构建 “合规安全”与“业务实效” 双维度的考核框架：第一维度：合规与安全底线（Compliance & Security）这是AI应用的准入红线。我们需要明确量化指标，例如：undefined 内容合规率：不良语料占比需严格控制在阈值内（如<5%）；undefined 风险敞口控制：高危漏洞与安全风险事件的占比必须趋近于零。 任何突破安全底线的Agent，无论其效率多高，都应被判定为“不合格”。第二维度：有效消耗与真实价值（Effective Consumption & Real Value）摒弃单纯以Token消耗量或日活（DAU/MAU）论英雄的粗放模式，转向“去伪存真”的价值评估：1. 识别无效消耗：区分正常用户交互与黑灰产“薅羊毛”行为。若大量Token被恶意脚本或攻击者消耗，不仅造成资源浪费，更预示系统存在安全漏洞。2. 打击黑产侵蚀：监控暗网及二手交易平台（如闲鱼、Telegram）上的账号倒卖价格。若官方售价10元的月卡在黑市仅值1元，说明业务已被黑产规模化渗透，这不仅是营销损失，更是严重的风控失效事件。3. 流量清洗与反作弊：借助全栈式风控引擎，对新增用户进行真实性校验。坚决剔除通过“集体买量”、广告刷量等手段制造的虚假繁荣。营销部门若为完成KPI而引入劣质流量，不仅无法实现商业变现，反而会增加运维成本与安全风险。简言之，AI绩效评估的核心在于“挤干水分”——通过技术手段清洗虚假流量，确保每一分算力投入都转化为真实的业务价值，而非停留在虚荣指标上。马总，行云创新作为平台型创业公司，致力于通过工具赋能客户，践行“授人以渔”的理念。我想请教的是，在向外输出能力的同时，贵司内部是否已率先垂范，落地了“人类员工+数字员工”的混合协作模式？如果已经实施，目前的人机配比大致是多少？如何考核？行云创新在AI应用领域的探索起步较早，自2020年便已启动相关实践。目前，公司已实现全员深度应用包括编码在内的各类AI智能体，构建了成熟的“人类+数字员工”协同体系。针对刚才的提问，我从两个维度分享我们的实战经验：第一， 关于中层领导者的角色重塑：从“技术管控”转向“业务驱动”。正如亚伟所言，中间层的管理职能正在发生深刻变化。对于拥有复杂业务线（如平台服务、工业软件）的企业而言，领导者最核心的能力不再是单纯的技术管理，而是“沟通力”与“交付承诺力”。他们需要具备精准理解客户需求、协调人类与AI资源、并确保按时高质量交付的能力。这些涉及情感智能、商业洞察与资源整合的“非编码技能”，是AI难以替代的人类核心价值。因此，业务型企业的Leader应始终服务于业务本质，而非仅仅关注工具本身。第二，关于AI员工的考核与选型：遵循“场景适配”与“赛马机制”。1. 场景化选型（Right Model for Right Job）： 如同人类招聘讲究“人岗匹配”，AI模型的选择也需基于任务复杂度。处理日常OA或简单代码生成（Hello World级任务），无需调用高昂的大模型（如GPT-4o）；但在挑战高难度领域（如CAD底层算法重构）时，模型间微小的性能差异（如10%的准确率差距）往往具有决定性意义。正如优秀的人类员工能在关键时刻提供颠覆性创意，高性能AI模型在复杂场景下的表现同样不可替代。2. 内部赛马机制（Internal Horse Racing）： 我们在平台上引入了“多模型并行竞争”机制。例如，在构建微服务等关键任务中，系统可同时指派来自不同供应商、基于不同模型的多个AI Agent并行执行。通过对比它们在相同任务下的行为表现、代码质量与效率，我们能够量化评估各“数字员工”的能力边界，从而动态选择最优解。这种数据驱动的选拔方式，不仅提升了任务成功率，也为AI绩效评估提供了客观依据。简言之，AI原生组织的管理核心在于：让擅长沟通的人类聚焦业务价值，让合适的AI模型匹配特定场景，并通过赛马机制实现持续进化。看来，在严苛的绩效评估与“赛马机制”下，“数字员工”面临的生存压力并不亚于人类职场。字节张总怎么看？第一，关于组织扁平化与职能重构。 AI提效确实正在重塑工作模式。以我们团队为例，AI的应用边界已从简单的代码片段生成，拓展至复杂的数据库软件构建等高难度领域。这种能力的跃迁必然引发组织结构的调整，但“扁平化”并不等同于“人员冗余”。相反，随着基础编码工作的自动化，被释放的人力将转向更高价值的创造性任务或复杂问题解决。因此，组织变革的本质是职能的升级与重分配，而非单纯的岗位削减。第二，关于绩效考核的演进：从“复杂量化”走向“结果导向”，甚至最终“去考核化”。 坦诚讲，当前的绩效考核体系往往过于复杂，因为需要精细衡量每个人的手工编码产出。而在AI赋能下，个体效率差异被大幅拉平，绩效表现的区分度反而更加直观和显著——即“谁能更好地驾驭AI解决实际问题”。规模化落地与产业重塑：巨头、创业公司与开发者的破局之道
我们正身处从“千人规模”向“1+N（人类+智能体）”范式跃迁的关键节点。古人云：“一鲸落，万物生。”当传统工业范式发生结构性变革时，旧有的组织形态虽可能消解，但必将孕育出千千万万个新兴的创新实体。当前，“AI+X”已成为行业共识——无论是AI+汽车、AI+具身智能，还是AI+低空经济，其本质都是用AI技术重构传统产业的底层逻辑。这对每一位从业者而言，既是适应行业剧变的挑战，也是规划“AI增量”与“原有产业”叠加效应的机遇。在此背景下，我想特别请教华为王总：对于华为这样拥有数十万员工的巨型组织而言，AI究竟意味着更大的战略机遇，还是更深层次的转型挑战？过去，企业竞争的核心壁垒往往是“规模效应”。然而，在AI Agent赋能下，一家数百人的初创公司若能有效驾驭智能体集群，是否具备与巨头同台竞技的能力？这种“小团队 vs 大组织”的非对称竞争格局，是所有巨型企业必须直面的严峻考题。诚然，机遇与挑战并存，但我认为挑战的严峻性远超机遇。核心原因在于“个体创新能力的指数级放大”。我们在全球范围内持续招募顶尖人才（Top Talent），观察到年轻一代的思维极具活跃度。在AI工具的赋能下，这种活跃的创意被无限放大，极易催生颠覆性创新。以Cursor等初创团队为例，他们凭借极小的规模与极高的AI杠杆率，正在快速重构开发范式。对于华为这样在传统领域（如运营商业务）拥有深厚积累的巨型组织而言，最大的风险并非来自同类巨头的竞争，而是来自“降维打击”：一个具备顶级洞察力的个体或小团队，借助AI可能发起破坏性创新，直接动摇我们既有优势领域的根基。因此，公司高层（EMT）已达成高度共识：变革是唯一的出路。但变革的核心难点在于决心与速度。AI原生组织的转型不仅仅是技术升级，更是对原有流程、架构乃至文化的深层重构。这种重构触及利益深水区，需要极大的政治勇气与管理智慧。简言之，挑战大于机会，但机会窗口依然存在。胜负的关键，取决于领导层对大势研判的清晰度，以及组织执行变革的决断力与敏捷度。在我看来呢，机遇大于挑战。这一判断主要基于“技术迭代”与“合规驱动”双轮驱动的视角：大模型引入了提示词注入、越狱攻击、数据投毒及语料污染等前所未有的安全威胁。这些挑战并非单纯的阻碍，而是推动安全产品与技术进化的核心动力。为此，我们迅速推出了Token防滥用机制、大模型安全网关、态势感知平台及应用级安全评估体系，实现了从传统网络安全向AI原生安全的范式跃迁。随着国家关于生成式人工智能服务相关法规的落地，以及大模型备案标准的规范化，行业正从“野蛮生长”走向“有序发展”。合规要求的明确，不仅为企业提供了清晰的操作指南，更直接带动了安全预算的增长：预算倾斜：企业为满足合规要求，显著增加了对AI安全解决方案的投入；生态共建：促进了产学研深度融合，加速了校企合作与专业人才培养。简言之，黑灰产对抗在获得合规加持后，已从单纯的技术博弈升级为“技术+合规+生态”的系统性工程，起到了很好的正向循环的作用。AI引发的变革绝非局限于软件行业的技术迭代，而是一场跨行业的全要素生产力重构。其影响具有普遍性与渗透性，只是不同行业的感知存在“时滞”。首先，冲击已溢出IT边界，重塑实体劳动力结构。 以影视产业为例，AI生成技术（AIGC）已对传统制作流程产生颠覆性冲击，大量基础角色被数字人替代；AI生成的短片在质感与效率上甚至已展现出超越人类演员的趋势。同样，在制造业核心环节（如设计、仿真），AI的深度介入正在改写CAD/CAM工程师的工作范式。这些案例表明，AI正在重构全社会的价值链分布。其次，历史视角下的“技术性失业”焦虑往往被夸大。 正如马车夫曾担忧火车的发明，每一次技术革命都会引发短期的就业恐慌。但拉长历史周期看，人类社会正是在这种“破坏-重建”中螺旋上升。当下的焦虑，在未来回望时或许只是多虑。最后，新质生产力必然催生新岗位与新物种。 以数控加工领域为例，传统CNC技术长期由西门子等巨头垄断，技术形态相对固化。然而，随着桌面级数控设备与3D打印技术的成熟，一种全新的制造品类正在崛起。这种技术民主化不仅降低了制造门槛，更可能衍生出数千个新型就业岗位。因此，我们不应仅盯着“消失的岗位”，更应关注“被催生的新生态”。AI带来的不仅是替代，更是创造——它正在打开一个充满无限可能的增量市场。关键在于适应变化。从业者需从单一专业向更广业务视角拓展，探索AI未覆盖的未知领域。工具会爆炸，Hype会褪去，唯有保持学习敏捷性，紧跟业务价值主线，才能立于不败之地。结语：一鲸落，万物生
从“1000人”到“1+N”，不是简单的效率跃升，而是工程范式、组织形态、产业逻辑的系统性重构。代码廉价化，验证贵族化；Agent拟人化，管理文化化；组织扁平化，考核结果化；安全左移化，合规前置化。面对AI浪潮，悲观者看到岗位流失，乐观者看到价值迁移。一鲸落，万物生。旧模式解体，新生态破土。
对于技术管理者，请加速向AI Native组织转型，废除冗长文档，用PR说话，以闭环周期与新人上手速度为尺； 对于架构师，请构建混合验证体系与Benchmark系统，把Agent当同事，用流程约束幻觉； 对于开发者，请拥抱Vibe Coding，但守住工程纪律；跨界学习行业Know-how，成为业务与AI的翻译官； 对于企业，请将安全内置全生命周期，用赛马机制优选AI员工，用结构化需求喂养智能体。
技术不会等待犹豫者，产业不会奖励守旧者。保持开放，快速进化，敬畏工程本质。在万域新生的时代，唯有主动重构者，方能把握先机。
Q：各位嘉宾好，我有两个关于AI落地实践与个人成长的困惑，想请教各位专家：对于新建项目或小型工具，利用现有开源/闭源Agent工具实现AI闭环相对容易。然而，对于已部署多年、微服务架构极其复杂的传统存量业务系统，如何实现端到端的AI化重构面临巨大挑战。请问，针对这类“重资产”系统，是否存在可参考的最佳实践或分阶段演进路线图？从哪个切入点着手能最大程度降低风险并确保成功？在AI技术爆炸式增长的背景下，开发者面临着双重压力：方向迷茫：面对层出不穷的新工具与新范式，应如何平衡“追逐前沿技术（如Agent开发）”与“深耕业务领域知识”之间的精力分配？评估困境：当前市场上存在大量过度营销的AI工具，宣传效果与实际落地能力存在显著落差（Expectation Gap）。在缺乏充分试错成本的情况下，开发者应建立怎样的评估框架或标准，以理性甄别工具的真实价值，避免被误导？针对您提出的两个核心问题——复杂微服务系统的AI化改造路径与开发者的技术焦虑与工具选型，我结合团队实战经验分享以下观点：一、 关于复杂存量系统的AI改造：从L2向L4演进的系统工程首先需明确，Vibe Coding在小型工具或插件开发中已非常成熟，但在处理高耦合、多微服务的复杂系统时，确实面临上下文理解不足、生成代码语义错误等挑战。这本质上是软件工程从L2（辅助编码）向L4（高度自治）跃迁的过程，绝非单纯引入工具即可实现，而是一项系统性工程。1. 全员普及与认知对齐（Play First）：组织转型的第一步是消除技术陌生感。要求团队成员熟练掌握主流AI Coding工具（如Cursor、Trae、CodeBuddy等），通过“玩起来”建立直观认知，打破心理壁垒。2. 责任田机制与局部突破（Pilot & Scale）： 实行“微服务责任田”制度，由各模块负责人牵头，探索AI在特定业务场景下的提效路径。通过小范围试点验证可行性，再逐步推广至全系统，降低试错成本。3. 构建定制化Skill与工具链（Customization）： AI无法直接理解复杂的私有业务逻辑。团队必须开发专属的Skill（技能包）与配置规范，让Agent能够调用内部工具、遵循业务约束。这是一个将“通用智能”转化为“领域智能”的关键过程。4. 建立基准测试体系（Benchmarking）： 正如马总所言，评估Agent优劣不能仅凭感觉。需构建多维度的Benchmark System，从代码质量、通过率、响应速度、Token成本等指标量化评估不同模型/Agent在特定业务下的表现。只有经过数据验证的工具，才值得大规模引入。5. 解决方案构建者转型（Solution Builder）： 最终，开发者需从“代码编写者”转型为“AI解决方案构建者”。不仅要使用工具，更要围绕核心模型（如GLM系列）开发独立的辅助工具与中间件，形成闭环的工程化能力。我们团队在探索“Dev-Review”自动化闭环时，经历了大量痛苦的试错与迭代，因为AI的黑盒特性决定了其可解释性弱，唯有通过不断的“尝试-反馈-优化”循环，才能找到最优解。面对海量新工具的涌现，建议保持“定力”与“批判性思维”：不要陷入“工具军备竞赛”。无论Agent如何进化，其核心价值在于解决实际问题。应优先关注那些能显著降低边际成本、提升交付质量的工具，而非仅仅追求“新奇”。对于市场上过度营销的工具，切勿轻信宣传。应通过小规模PoC（概念验证）进行实测，重点考察其在真实业务场景中的鲁棒性与集成难度。若工具无法融入现有工作流，即便功能再强大也是负担。3. 深耕领域知识（Domain Know-how）： AI可以替代重复性编码，但无法替代对业务逻辑的深刻理解。因此，“深耕业务系统”与“学习Agent技术”并非对立，而是互补。未来的核心竞争力属于那些既懂AI工具链，又深谙行业痛点的双重人才。简言之，AI落地是一场马拉松，而非短跑。拥抱变化，但保持理性；大胆尝试，但严谨验证。唯有通过持续的工程化实践与组织适配，才能在不确定性中找到确定的增长路径。变革之路注定艰难，但先行者从不独行。如果你已准备好不再旁观，如果你渴望遇见那些同样躬身入局、拥抱 AI 且亲手“手搓代码”的同行者——欢迎来8月21-22日 AiDD峰会北京站 ，一起成为这场范式重构的参与者与制定者，一起定义 AI 时代的技术领导力。
加入智库
成为客户
