别再画流程图了:软件公司的AI路线图长这样

和传统企业最大的不同,是软件公司的生产资料本来就是数字的。代码在Git里,需求在工单里,验证在CI里,日志在监控里——AI要的一切,全是机器可读的。这不是胆子大,是家底不一样。

所以别的行业,AI还在「读报表、写纪要、提建议」;软件行业的AI直接下场干活:写代码、修bug、跑测试、发版本。Copilot、Cursor、Claude Code这些编程Agent,为什么最先在软件行业跑出真实生产力?答案就在这——不是这个行业的人更懂AI,是这个行业的活,机器接得住。

但「IT人更专业」不是根本原因。根本原因就两个词:可验证、可回滚。

▪️ 代码对不对,机器说了算——编译能过、测试能绿、lint不报,这是天然的考卷和判卷器;

▪️ 干错了怎么办——git revert,天然有后悔药;

▪️ 怕它闯祸——分支和容器就是隔离带,随便折腾,伤不到主干和生产。

传统企业为什么不敢放权?不是老板胆小,是报表和合同没有判卷器——错了要等人发现,发现了往往挽不回。软件行业敢让AI放开手脚,本质是:每一步都有机器把关,每个动作都能撤销。

说到这就绕不开Workflow了。上一篇说传统企业上AI要用Workflow圈住AI,不少人听完的反应是:「我们搞技术的,还要画那种流程图?」

这里得把Workflow说明白:Workflow不是一张画出来的图,是一套「先定好、再执行、可检查」的规矩。你团队里全是它——代码规范是Workflow,发布要审批是Workflow,「测试不过不许合码」还是Workflow。传统企业把它画在墙上的流程图里,软件公司早就把它写进了系统和工具里。

把任何一个专业的编程Agent拆开看,你会发现Workflow从来没有被甩掉,只是换了三个藏身处:

一句话总结:传统企业用流程圈住AI,软件企业用验证结果代替规定路径。流程没有输给Agent,它从台前退到了幕后——你少画的是流程图,没少建的是流水线。

Workflow管住了规矩,接下来是手脚。光有规矩,AI看得懂代码却摸不着Git、数据库、工单,等于一个懂行的新员工不给工卡。给他配手,这就是Skills和MCP干的事。

用一个形象比喻就能讲清——千手观音。千眼,是AI的「读懂」(模型本身,看得懂代码、日志和需求);千手,就是MCP——每一只手握一件标准化的法器(工具):Git、数据库、工单、监控、浏览器,插上就能用;Skill,是每只手的法门——教AI在某个领域按什么套路出手。千眼观世界,千手动四方。

但千手观音为什么「从不出事」?两个细节:每只手拿什么法器,是有讲究的;千手千眼,听命于同一个头脑。

这正是要纠正的常见误解:装了多少手,不等于能伸多远。工具越多,AI能碰的东西越多,权限边界就要画得越清——否则一个错误的工具调用,就是把生产数据库交到了它手里。

规矩和手脚都齐了,看真实场景。产品提了个需求:「订单列表支持导出Excel,超过1万行自动走异步。」看人和AI怎么配合——颜色和上篇一样:

蓝=代码自动化,绿=AI读懂,紫=Agent,橙=人。

看图的三个要点:

▪️ 橙色的人只出现在两处——开头出题(需求、验收标准,外加一道方案评审:AI先交设计文档,人拍板了才动工),结尾验收(Review和上线确认)。人从「写代码的」,变成了「出题和判卷的」。

▪️ 紫色的Agent在中间放手干——独立分支上写码、自己跑测试自己修,红了我再来,直到全绿。但所有动作都被关在分支和沙箱里,这是它敢放手的全部原因。

▪️ 蓝色的机器负责判卷——CI只看结果:测试过没过、扫描有没有洞。至于代码是怎么写出来的,流水线不关心。

白天写代码只是半张图,另半张在生产环境。凌晨3点,监控告警:订单接口P99飙到8秒。以前:值班工程师被电话叫醒,登录、翻日志、查指标,两小时才定位。现在,这条流程长这样:

Agent只诊断、只出报告,绝不动生产——它的手再长,也没有生产环境的写权限。处置方案必须人批,修复先过灰度,发布回滚走系统。

有一种例外:重启、扩容这类预案内动作(runbook),可以在审批单里预授权,Agent执行、系统留痕;预授权清单之外,一个字节的写权限都不给。

把这张图和上一篇的报销单放一起看,骨架一模一样:AI读现场,人拍板,代码动手。行业变了,边界没变。

两个场景看完,该回答那个绕不开的问题了:给AI程序员的权限,具体开到第几档?像管理新员工一样——试用期、转正、骨干,逐级放权:

多数团队的甜点位在档3:  AI可以在分支上独立干活、自己测到全绿,但合并主干必须过人审。这一档拿到的效率提升已经非常可观,而风险被分支隔离+人审闸门双重兜住。放权不是一次性的动作,是逐档的爬坡——每一档的门票,都是上一档的验证通过率。

补一条实践经验: 给Agent的自动重试设个上限。它连跑三轮还不过,说明它真不会,这时候停下来找人,好过烧着token在原地打转。

别以为生产资料数字化就没有坎,软件企业的坎换了个地方:

▪️ 没有测试——没有考卷,判不了对错, Agent跑得越快越危险; 考卷又慢又飘也一样,Agent每轮迭代都卡在等CI上,效率全耗在排队;

▪️ 分支纪律差——主干能直接推代码,隔离带形同虚设;

▪️ 权限不分——开发和生产同一个账号,AI闯祸就是生产事故;

▪️ 代码出域——源码是软件企业的命根子,金融、政企、涉密场景对外部AI接口一刀切。现实的解法:私有化部署模型,或按敏感级分流——核心代码只进内网模型,外围杂活才放出去。很多企业「敢不敢用」的第一道关,就是这一坎。

所以起步姿势是:先补考卷(核心链路的测试覆盖),再立规矩(分支保护+权限分离),然后从低风险、高频的活切入——单测生成、评审预审、依赖升级PR、文档同步。跑顺一档,再放一档。

① 没有测试,就没有自主权。先建考卷,再放考生——测试覆盖率就是AI的授权额度。另外,考卷得看住:AI会自己改测试凑绿灯,测试文件的改动,一律人审。

② 沙箱里给自由,主干前设闸门。最小权限+分支隔离,爆炸半径永远是设计出来的,不是祈祷出来的。

③ 工具越多,缰绳越紧。千手观音的手再多,每一只也各有各的边界——每接一件法器,同步画清它能读什么、能写什么。装手和画圈,必须同步做。

④ 把Agent当新员工管,但别给它当Tech Lead。试用期、转正、骨干逐级放权;方向、取舍、责任,永远是人的。

✅ 采纳率——AI的产出,有多少被人留下了

✅ 一次通过率——CI和Review一次过的比例

✅ 返工率——AI写完、人推翻重来的比例

✅ 回滚率——上线之后被撤回的比例

采纳率涨、回滚率稳,才说明AI真在提效。只统计「AI生成了多少行代码」,是新时代的表面功夫——代码行数从来不是生产力,能安全上线的代码才是。

上篇说,传统企业的边界是「谁拍板」;这一篇补上: 软件企业的边界是「谁验证、谁能回滚」。

Workflow的角色,在软件公司里完成了这次换位——它从出题人变成了判卷人,从台前的流程图,变成了幕后的CI、Agent骨架和发布纪律。你以为你绕开了流程,其实你早就站在流程里。

AI也不会替代工程师——它只是把工程师从「答题的」, 升级成「出题和判卷的」。你写下的每一道测试,都是在给AI发许可证;你守住的每一次人审,都是在给系统上保险。

#企业AI #软件工程 #Workflow #Agent #MCP #AI自主权