How frontier teams are reinventing AI-native development

领先团队如何重塑原生AI开发 | 人工智能

领先团队如何重塑原生AI开发

领先团队不仅仅是在用AI提高编码速度。他们正在重新设计软件的构建方式。结果是生产效率提高了4.5倍，有些情况下甚至超过10倍。

六名工程师。七十六天。一个原本预计需要30名开发人员耗时12到18个月完成的项目，却在不到一个季度的时间内完成。这不是假设。这是当亚马逊Bedrock团队停止将AI视为一种编码捷径，而是将其视为他们工作方式的基础时所发生的事情。该团队在五个月内交付的生产代码量，超过了过去十年的总和。

这类团队与其他团队之间的差距正在迅速扩大。AI编码代理从根本上改变了软件编写的速度，但并没有改变软件交付给客户的速度。提交的代码量激增，CI/CD流水线也比以往任何时候都更加繁忙。然而，交付到生产环境的功能却没有保持同样的节奏。瓶颈不是代理生成输出的能力，而是代理获取所需知识以做出良好决策的能力，以及团队是否愿意围绕这一现实重新组织工作。

我们称那些已经理解这一点的团队为“领先团队”。他们并不局限于精英实验室。他们存在于各行各业和各种规模的公司中，并且都遵循一个共同的纪律：他们将AI的采用视为一项工程投资，而不是一项工具部署。任何工程团队都可以成为领先团队；我们可以向你展示如何实现这一点。

亚马逊实现原生AI开发的三种路径

原生AI软件开发将AI视为构建软件的基础，由人类专家指导的越来越强大的代理来执行。团队如何指导这些代理决定了结果。在亚马逊，AI在开发中的主要驱动力是减少开发人员在非编码任务（如文档编写、协调和运营）上所花的时间，消除技术债务，并在数千个小型“两个披萨”开发团队中最小化编码不一致性。我们已经在数百个工程团队中进行了实验，并确定了至少三种路径：由专家解决挑战的先锋计划、执行明确计划的结构化冲刺，以及将团队一分为二进行现有方法与AI适应性工作流程之间对比的现场实验。这些路径在结构上有所不同，但都汇聚到同一个见解上。

先锋计划是一个受控实验。六名高级工程师收到了一个单一的指令：重建亚马逊Bedrock推理引擎，该项目最初预计需要30名开发人员耗时12到18个月完成。而不是增加人手，团队在最初的几周内围绕AI重新设计了工作流程，从离散任务转向目标驱动的结果，同时并行运行多个代理，并设置系统使AI在非工作时间能够独立工作。该项目在76天内完成。根据标准化提交速度（每名开发人员每周提交次数，调整了仓库复杂度和团队规模）衡量，个人开发人员的生产率提高了约20倍。提交次数从每周2次增加到40次。根据部署到生产环境的代码行数衡量，该团队在五个月内交付的高质量代码量，超过了过去十年项目的总和。

结构化的冲刺采取了不同的方法。Prime Video Financial Systems 团队运行了一个为期 10 天的实验，灵感来自于先锋模型。六名工程师、一个房间、零上下文切换、没有值班职责、没有其他项目、会议有限。在实验开始前的三周时间里，一名高级工程师将复杂性分解为范围明确、需求详细的任务。团队在处理复杂功能时使用了基于规格的开发，在需求已经明确的任务中使用了直接代理辅助开发。在 10 天内，他们产生了 556 次提交，基准为 96 次，将原本预计需要 90 周的项目时间缩短到了 24 周。这意味着吞吐量提高了近 6 倍，加速了 4 倍。他们将 AI 带来的增益归因于三个因素的相乘：低判断工作加速（1.5 倍）、无上下文切换情况下对高判断工作的更高专注度（1.5 倍）以及对代理捕捉的领域专业知识的即时访问（1.5 倍）。如果去掉任何一个因素，增益就会消失。现在，团队正在尝试通过详细的产品规格（包含领域知识）和自主代理（释放专注时间）在正常运营中优化这三个因素。

在原地实验中，研究的 50 多个团队中，实施了新工具和新实践的 25 个团队的表现优于那些仅仅将 AI 添加到现有工作流程中的团队。Amazon Stores 在典型的开发团队中进行了结构化试点，这些团队使用 Kiro 和专门的 AI 工具，针对常规的待办事项进行工作，没有任何特殊条件，也没有挑选特定的工程师。中位数的生产力提升为 4.5 倍，有些团队在标准化部署速度（每个冲刺周期部署的功能数量，与历史基线进行标准化比较）方面实现了超过 10 倍的提升。Perfect Order Experience 现在可以在一个下午内发布功能，而不是需要两周时间。WW Grocery 将设计文档的创建时间从五天缩短到几个小时。

不同的路径，相同的教训。工作流程很重要，而不仅仅是工具。

成为前沿团队的五个步骤

在所有三种路径中，表现最好的团队都遵循五个共同逻辑的实践。减少代理的上下文障碍，增加代理可以独立完成的工作范围。

这就是前沿团队与以往习惯的不同之处。过去的方法优化的是个人代码生成的速度。前沿团队优化的是不同的东西：正确、生产就绪的软件以多快的速度到达客户。这种区别驱动了以下所有实践。

• 投资代理上下文。最先进团队在通过代理导航文件和团队惯例、编码标准、测试和代码库导航的指导，使项目和知识更容易被代理消费方面投入了大量资源。Bedrock 基础设施团队将所有代码和文档放入一个单一仓库，并保留了 AI 代理生成的内联评论，将其视为持久记忆。跳过这一步的团队会疑惑为什么他们的代理总是重复同样的错误。

• 以慢促快。上述做法需要时间，也要求团队保持耐心。每支表现优异的团队都报告称，在学习这些模型的初期，事情的进展变慢了。他们将跨职能的专业知识编码到可重复使用的代理指导文档中，重构了代码库，使大语言模型能够对其进行推理，并为人工智能消费添加了注释和重新架构了代码拆分。那些克服了学习曲线并首先定义预期结果的团队，经历了加速的复利效应。而那些期望在不改变工作流程的情况下立即获得收益的团队则感到失望。预计前两周会感觉更慢，之后的几周则会明显加快。在第二周就放弃的团队，永远看不到这种复利效应。

• 为代理提供任务而不是照顾它们。前沿团队维护着一个持续的、范围明确的任务列表，这些任务有明确的成果，他们并行运行多个代理，并异步审查输出。开发者报告称，他们可以在短时间内完成主要功能，即使他们没有在等待代理完成任务时主动工作。一位首席工程师仅用“几个小时的连续时间”就完成了一次完整的变更，因为代理在工程师进行代码审查、操作支持和会议之间工作时仍在运行。

• 在编写代码之前明确意图。无论是通过结构化的规范、详细的规格文档，还是良好的任务分解，前沿团队都确保代理在开始生成代码之前，对“完成”的样子有清晰的上下文。一些采用这种方法的团队报告称，他们手写的代码仅占1-2%，但每个人每周提交的代码量却显著增加。

• “将测试左移。”前沿团队构建工具，使代理能够在代码进入流水线之前本地运行所有集成测试并自行纠正。Prime Video团队投资于自动化防护措施、组件测试、性能测试和格式化工具，这些工具能够尽早发现问题。代码审查的重点从代码风格和命名惯例转移到了接口定义和架构决策上。

技术领导者今天可以采取的行动

并非每个团队都能实现这些成果。那些跳过构建上下文阶段、将AI视为即插即用的替代品，或期望在不重新构建工作方式的情况下立即获得收益的团队，通常表现不佳。整个行业的开发者都采用了AI编码工具。但并不是所有人都看到了生产效率的提升。他们使用的工具并不错误。他们使用了正确的工具，但用在了错误的工作流程中。

关键的启示是：

• 改变你的工作方式，以使AI发挥最佳效果。

• 三个因素相乘才能带来成果：AI处理低判断性工作 × 不间断地专注于高判断性工作 × 立即访问领域专业知识。

• 先试点，再扩展。

实际的起点不是全面推广，而是有意识的试点。从一个愿意在编写生产代码之前，先花前几周构建代理上下文（指导文件、规格模板、单体仓库）的小团队开始。给这个团队一个重新构建工作流程的指令。测量提交速度、部署频率和问题解决时间，以及开发人员的满意度分数。然后利用他们学到的经验，为整个组织制定操作手册。

实现生产力提升 4.5 倍甚至超过 10 倍的团队，不仅仅是采用了更好的技术，他们还学会了如何以不同的方式使用这些技术。今天，这个决定对每一个工程组织都是开放的。当然，代码提交速度只是故事的一部分。我们希望帮助解决软件开发生命周期的各个方面，无论是简化发布管理、运维和安全运维，还是应对 EOL 升级以及软件工程所带来的无数非差异化任务。敬请关注下一篇文章，我将详细介绍我们如何应对这些挑战。

了解更多关于前沿团队的信息 >

参加 AWS Summit New York City，了解更多关于原生 AI 开发的内容。

作者简介

Swami Sivasubramanian 是亚马逊网络服务（AWS）的 Agentic AI 副总裁。在 AWS，Swami 领导了 Amazon DynamoDB、Amazon SageMaker、Amazon Bedrock 和 Amazon Q 等领先 AI 服务的开发和增长。他的团队的使命是为客户提供所需的规模、灵活性和价值，使他们能够自信地使用 Agentic AI 进行创新，并构建不仅强大高效，而且值得信赖和负责任的代理。Swami 还于 2022 年 5 月至 2025 年 5 月期间担任美国国家人工智能咨询委员会成员，该委员会的任务是就与国家人工智能倡议相关的问题向美国总统和国家人工智能倡议办公室提供建议。