ARTICLE · 1016677
ai native 转型,我的理解、判断与团队实践
出差去见客户，起因是该客户做 ai 转型，对我们的 ai native 研发产品 「delivery ai」 很感兴趣，以及在感兴趣之余，也就想了解下产品背后的团队的 ai 转型情况，我作为研发 leader 角色，就被拉着去「现身说法」一下
以下是分享讲稿转录
自我介绍
2011 年入行，从 Ruby（Ruby on Rails）开始。它如今相对小众，却奠定了现代全栈开发的理念
做过 Java、iOS、Android 开发，也做过布道师；后来聚焦前端，至今近 10 年
职业经历约 1/4 在 ToC，3/4 在 ToB 和云计算。今天主要从 ToB 视角，聊下前端转型
我对前端及其转型的理解与判断
ToB 产品的三种类型
价值有领域性。关键不是离终端用户多近，而是能否看清所在领域的价值
以 ToB 产品为例，我大致分为三类。它们的特点不同，前端的价值和 AI 时代的演进方向也不同
控制台 | |||
工作门户 / 流程平台 | |||
沉浸式工作平台 |
前端这个职业的特征
靠近使用侧，重交互体验。这里强调的是交互体验，不等同于产品体验
经常是横向职能。一个前端团队往往同时支撑多个垂直业务
传统分界线是接口。页面在上，后端服务在下；BFF 多数是对领域接口做粘合，适配交互需要，实际上仍属于前端的自然延伸
在部分细分领域有天然优势。 这些方向可以成为全链路切入点。比如：前端可视化就是前端天然占优的细分方向之一
还有一个时代优势 —— 不少 AI 创新项目，用「前端 + 一层薄服务 + LLM」就能跑起来。社区里大量 AI 项目也来自前端生态，如今年爆红的 OpenClaw
我的核心观点
领域认知最有价值。生产过程应围绕它展开。通常产品、后端比前端、测试、UX 更熟悉业务。尤其在 Console 场景，AI 让大家更容易打通全链路
赋能产品、后端在特定领域做全栈。前后端能力相互渗透，找到新的分工平衡
结合 AI，按需打破岗位墙、职能墙
我的行动与案例
从去年 3、4 月起，我开始系统推进团队向 AI Native 转型。今年，LLM 编码能力的跃升，以及 OpenClaw 带动的 Agent 浪潮，大大加速了这一过程
案例 01 —— 让后端承接大部分 Console 开发
from 火山引擎 · 可观测业务
前端先把工程改造成 Agent Friendly，再培训后端，由后端承担大部分 Console 开发。
代码仓库 Agent Friendly 化，后端自助开发
引入环境部署 Agent，后端自助部署
共用生产环境 pipeline，后端自助发布
参考页面：云拨测 · 任务管理
案例 02 —— 全链路负责观测面板
from 火山引擎 · 可观测业务
在观测面板的垂直领域中，重前端、轻后端。前端连同后端服务一起负责，成为完整的业务 Owner —— 【PRD → 开发 → 运维 → 客户服务】全负责
参考页面：自定义观测看板
案例 03 —— 负责 Agent 可观测数据采集
from 火山引擎 · 可观测业务
由前端主导采集器开发，持续追求 SOTA，支持 OpenClaw、Hermes、Claude、Codex、OpenCode 等主流 Agent 框架
【养虾人必读】告别黑盒！让你的 OpenClaw 像水晶一样透明
全球首个正式可商用的 OpenClaw 可观测插件
APMPlus・看得见的 Agent（二）｜从养虾到赛马：Agent 到底在偷偷干什么？
（感谢 duge 供稿❤️）
案例 04 —— 牵头产品的 Agent Friendly 改造
from 火山引擎 veFaaS
CLI、Skill，本质是 Agent 时代的可用性解决方案
它们是新时代的 Console，使用主体从人变成 Agent
仍是用户（Agent）接触服务的第一道关口，仍要把原子能力组合成好用的入口
以 veFaaS CLI 为例，由我们全权负责
Agent 时代的 Serverless 入口：veFaaS CLI 实战
案例 05 —— 制作 Agent 沙箱镜像与解决方案
from 火山引擎 veFaaS
前端：负责镜像和解决方案
后端：负责极致性能和稳定性
参考页面：veFaaS 应用广场
开源项目：agent-infra/sandbox
案例 06 —— 全链路负责 AgentKit Skill 业务
产品、前端、后端、运维、见客户，一条龙负责。这里仍是前面那条主线：为 Agent 提供好用的能力与解决方案
团队的整体情况
最后，谈谈质量 —— LLM 驱动 E2E 测试
自然语言描述用例，由 LLM 驱动执行
成功率（～稳定性）约 95%
执行成本约 5 元 / 100 条用例，使用 DeepSeek V4 Pro
用例示例：「查看数据源并发起 AI 搜索」
---
case_id: "arkclaw-ee.ai-search.data-source.search.076"
title: "ai 搜索｜查看数据源并发起一次搜索"
product: "arkclaw-ee"
source_file: "products/arkclaw-ee/e2e/sources/raw/0602 企业版线上巡检加固用例｜ai 搜索.md"
source_type: "handwritten"
area: "ai-search"
scenario: "data-source"
priority: "P0"
env:
- "online"
tags:
- "main-flow"
- "ai-search"
- "data-source"
- "online-inspection"
- "hardening"
version:
case_version: "2026-06-02.076"
---
# ai 搜索｜查看数据源并发起一次搜索
## Steps
1. 点击左侧菜单“ai 搜索”，进入“企业数据搜索”页面。
2. 点击“整合你可访问的 X 个数据源，AI 搜索生成回答”中的“X 个数据源”。
3. 检查数据源列表可以展开和收拢。
4. 展开数据源，确认可以见到多个数据源。
5. 逐个点击这些数据源的标题。
6. 检查每个数据源详情页或详情弹窗内容符合预期，并截图存档。
7. 在对话框里面提问“介绍一下 openclaw”。
8. 等待回复完成。
## Expected
- 左侧“ai 搜索”入口可点击，并能进入“企业数据搜索”页面。
- “X 个数据源”入口可展开和收拢数据源列表。
- 展开后展示多个数据源，数据源标题可点击。
- 每个数据源详情页或详情弹窗内容展示合理，无空白、明显报错或异常遮挡。
- 每个数据源详情页均有截图留证。
- 问题“介绍一下 openclaw”可成功发送。
- AI 搜索能返回与数据源数量或数据源说明相关的合理回复。