夜雨聆风
（文末副视频截图）
Coinbase 工程团队高级总监 Chintan Turakhia 分享了他在 1000+ 人工程团队中推动 AI 落地的战术 playbook，从 PR 加速赛到实时反馈转功能开发的完整流程。
在最近的一次活动上见到 Chintan Turakhia，Coinbase 的工程团队高级总监，我很兴奋，因为现在对大型、成熟且高度技术化的工程组织是否能真正大规模部署 AI 并看到实际效果，仍然存在很多质疑。Chintan 上节目来告诉我们，这不仅是可能的，他真的认为这是一个"适应或消亡"的时刻。
Chintan 领导着一千多名工程师的团队，承担了一个宏大的项目：在短短六到九个月内，将 Coinbase Wallet 从一个自主托管钱包重写为消费级社交应用。面对这个疯狂的timeline，他转向 AI 作为战力倍增器。这不是自上而下的命令，而是亲身实践、展示价值、创造速度文化的故事。
在本期节目中，Chintan 将带我们了解三个令人惊叹的工作流。首先，他展示如何使用 Cursor 分析自己团队的 AI 落地数据，找出重度用户，并创建 playbook 来提升其他人的水平。其次，我们看到他团队的自动化反馈转功能管线，将用户的口头反馈在几分钟内转化为 Pull Request。最后，他分享了一个个人且有趣的使用案例：用 ChatGPT 反向工程自己对葡萄酒的品味。让我们来看看他是如何做到的。
工作流 1：用 AI 分析并推动 AI 落地
推出新工具时最大的挑战之一是让它真正被采用。Chintan 提到，早期使用 GitHub Copilot 等工具时，使用量最初有峰值，但没有持续。要真正推动落地，他需要了解团队使用 AI 工具的方式，找出重度用户和普通用户的区别，并创建一个可供参考的路径。所以，在一个完美的元（meta）操作中，他用 AI 来分析团队的 AI 使用情况。
第一步：获取原始数据
这个过程从 Cursor 管理后台开始，那里提供团队使用情况的分析数据。Chintan 只需将这些数据下载为 CSV 文件。该文件包含 accepted_lines、chat_lines、chat_lines_deleted 等字段，记录工程师与 AI 交互的各种指标。
第二步：用 Prompt 对用户进行分群
将 CSV 数据加载到 Cursor 后，Chintan 使用 AI agent 进行用户分群分析。他不需要成为数据科学家，只需要提出一个清晰的问题。他用以下 prompt 启动分析：
I want to understand the usage of Cursor. I already know we have light users all the way to power users. What are the natural clusters of usage? Can you find them across the team? What is the best way to cohort them?
他使用 Claude Opus High 模型的计划模式，让自己可以在 AI 执行前审查其建议的步骤。AI 计划根据使用量、复杂度（agent vs. tab 补全）和模型偏好，识别出"轻度""中度""活跃"和"重度用户"等分群。它还建议生成一个 Python 脚本和一个 HTML 仪表板来可视化这些发现。
第三步：生成可视化仪表板和 Playbook
批准计划后，agent 开始工作。它生成一个 Python 脚本来处理数据，并创建一个简单但有效的 HTML 仪表板。该仪表板可视化关键指标，如生成的代码总行数、composer（agent）补全与 tab 补全的对比，以及不同层级的用户分布。
这个分析揭示了不同的用户画像：
- Agent 重度用户
严重依赖聊天 agent 来完成复杂任务。 - Tab 重度用户
偏好内联补全和更直接的控制。 - 均衡用户
混合使用两种功能。 - 轻度/不活跃用户
尚未将 AI 完全整合到工作流中。
Chintan 并没有止步于分析。他想把这些洞察转化为可执行的 playbook。他用另一个 prompt 进行跟进：
Based on the data, generate guidance for each user cohort on what they should do to advance and graduate to a super user. I am looking for explicit guidance, effectively like I wanna turn this into some type of playbook.
成果：通往重度用户的游戏化路径
输出是一个极好的、游戏化的 playbook，以深色模式的 HTML 文件呈现。它包含了激励性的口号，如 "Stop typing, start shipping" 和 "Tab harder."。针对每个分群，它提供了具体、可执行的建议。对于轻度用户，建议他们超越简单的 prompt 如"fix this bug"，而是把 AI 当作初级工程师来对话。对于重度用户，鼓励他们想得更远，用 agent 来开发完整功能，而不仅仅是小修复。
这个完整的工作流——从原始 CSV 到可分享的、激励性的 playbook——展示了领导者如何用 AI 来解决管理和文化挑战，而不仅仅是技术挑战。这是一种用数据驱动的方式教练团队，并规模化最有效工程师的习惯。
工作流 2：从实时反馈到几分钟内的 Pull Request
Chintan 的团队痴迷于缩短从用户反馈到功能上线的周期时间。老方法是缓慢且充满摩擦的：在 dogfooding 环节收集反馈，手动记录到 Google Doc，转移到 Linear 这样的工单系统，讨论优先级，也许最后才能进入 sprint。Chintan 的团队用自动化管线打破了这个流程。
第一步：捕获实时音频反馈
从一个 Chintan 花一个周末搭建的简单 Web 应用开始。在反馈环节（无论是面对面还是远程），团队成员只需在手机上按一个按钮，就可以实时录制用户的音频反馈。
在我们的演示中，Chintan 录制了一个示例 bug 报告："I'm on the trade tab and I'm clicking the from field and I'm typing in numbers, but the numbers are not showing up, so that's not letting me make a trade."
第二步：AI 驱动的转录和工单创建
捕获的音频被发送到 LLM，附带一个系统 prompt，指示它识别并总结任何 bug。模型清晰地提取了问题："On trade tab, typing into from field does not display numbers, user cannot initiate a trade."
然后，只需一次点击，摘要后的 bug 报告就会被直接推送到 Linear 作为新工单，包含建议的标题和用户旅程标签。
第三步：从工单到 PR：用自定义 Slack Bot
这才是真正神奇的地方。团队构建了一个内部 Slack bot，他们称之为 Claude bot。团队中的任何人都可以现在直接从 Slack 触发 PR 的创建。Chintan 运行了命令：
Claude bot create pr --repo wallet-mobile --ticket [TICKET_ID]这个 bot 对他们的代码库有上下文，并集成了各种内部系统，它立即开始为修复这个 bug 起草 PR。这是他们为"Super Builders"构建的更大生态系统的一部分——这些工程师的工作是构建让其他工程师更高效的工具。该 bot 可以规划功能、解释代码，并通过从 Linear、Datadog、Sentry 等系统拉取上下文来调试问题。
这个工作流彻底消除了困扰许多团队的协调开销。用户从口头反馈到开发者可用的 PR，只需几分钟，而不是几周。在公开的 Slack 频道中看到这一幕发生的病毒式传播，也在整个组织中创造了巨大的信心和兴奋。
工作流 3：反向工程你的葡萄酒品味
为了证明这些工具不仅仅对代码有用，Chintan 分享了一个绝妙的个人工作流：用 AI 成为自己的私人侍酒师。我们很多人在餐厅拿到一份厚厚的酒单时都会感到些许焦虑。这个工作流通过先了解你的品味，然后将其应用到任何菜单来解决这个问题。
第一步：从品酒笔记分析你的偏好
Chintan 是美食和葡萄酒爱好者，在品酒时会做手写笔记。他拍了笔记本的照片，上面有某些香槟酒庄旁边的"amazing buy"等笔记。
他将这些图片上传到 ChatGPT 并让它找出他的品味偏好：
Here are a bunch of champagnes that I tasted, figure out from my notes what my taste preferences are.
AI 分析了图片和文本，得出了一个惊人的准确画像：他偏好含糖量极低的葡萄酒、高酸度、经过一定陈年的、专注于小农香槟（而不是大品牌）。它甚至注意到了他对特定酒庄 chalky 风格的偏好。
第二步：从酒单获取推荐
现在是真正的实际应用。Chintan 拍摄了一张餐厅酒单的照片，并根据他新定义的画像请求推荐：
What would I like from this list? What are good values?
AI 提供了一份绝妙的分类推荐列表。它识别出了一个"绝对不容错过"的超值选择，知道他会喜欢它，建议了一些其他想挥霍时的选择，甚至告诉他哪些受欢迎的酒款应该避开。这完美展示了如何用 AI 反向工程你自己的主观品味，并做出更好、更快的决定。
工程领导的新时代
Chintan 的工作流不仅仅是关于效率；它们代表了工程团队运作方式的根本性转变。共同主线是协调开销的 radical 减少。团队不再需要无尽的会议来优先排序和规划，而是可以直接做事。Chintan 本人现在花更多时间写代码和解决技术问题，而不是在会议中管理路线图。
他的经历证明，在大型组织中推动 AI 落地需要一位有信念、愿意亲力亲为的领导者。通过亲身示范价值、创造像"PR 加速赛"这样的病毒时刻（他们在 15 分钟内推送了 70 个 PR），以及构建在开发者所在之处与他们相遇的工具，他为团队解锁了新的速度水平。这就是 AI 时代的工程领导新 playbook。
