# 1. 监控分片恢复详细进度、耗时、源目标节点 GET /_cat/recovery?v=true&h=i,s,t,ty,shost,thost,f,fp,b,bp # 2. 查看集群整体健康状态,定位分片异常 GET /_cluster/health # 3. 查看节点磁盘、堆内存负载,防止恢复过程资源打满 GET /_cat/nodes?v&h=name,diskUsed,diskAvail,heapUsed,heapMax
报告将CodeBanana作为前沿标本进行了剖析。在具体的产品形态上,报告将出门问问列为「AI中枢型超级团队」的代表案例,并特别指出CodeBanana的两个核心设计:其一,每个项目的Team Agent成为项目的核心身份,人围绕Agent工作而非相反;其二,A2A功能(Agent-to-Agent)让不同项目的Agent直接协作,无需人工中转——在出门问问内部,研发实现100% AI Coding,整体产研效率提升4倍;非产研团队中超过三成成员已达到超级个体状态。CodeBanana这一设计,同时实现了两个功能——愿意使用平台的人自然被筛选出来,平台上其他人的成果则持续营造着「人人可以」的氛围,筛选与文化建设一步到位。
搭,是几个人一起搭。 第二阶段,业务专家带着行业经验,和 FDE 一起把 Agent 搭起来、跑内测。这一步过去是 PE 一个人硬扛,现在不是了:懂业务的管业务,工程的活交给工程师,谁也别替谁硬撑。
质量,靠句子守护兜着。 PE 时代最做不好的就是测试调优,全靠人盯,改对了 A 又错了 B。我们把它做成了一个产品,叫句子守护:它自己从客户百万级的真实聊天记录里,挖出用户可能问的刁钻问题,一条条编成测试题(连正确答案该是什么都写好),拿去考被测的 Agent,自动跑、自动出报告:每条的通过率、答得快不快、花了多少钱、要不要转人工,全摆在报告里。这套东西和具体业务解耦,FDE 在现场踩的坑都沉淀进去,下一个客户进场,他手里的杠杆更大。
交付的是成果,不是一个搭好的流程。怎么证明成果是真的?落地时我们和客户做 A/B:AI 组是销售加 AI 一起干,对照组是同样的销售、纯人工,两组的线索质量、团队水平都拉平,只差用不用 AI。然后整条链路一个环节一个环节地比:触达率、响应率、转化率、人效,每一步都有数据,全程留痕,不是只看最后一个大盘数字。两组一摆,AI 带来多少增量,清清楚楚。我们也按这个结果收费:客户的人效真涨了,我们才拿钱。
换句话说,我们需要有切身利益相关(skin in the game)的人参与到流程中,以确保 AI 智能体忠实地实现我们的意图。但是,如果我们坚持对每一个微小的代码改动都做“人在环中(Human-in-the-loop, HITL)”式的微观审查,我们不仅会限制系统的吞吐量,更会成为整个研发流程的“断裂点(fracture point)”。这意味着我们要么选择限制智能体的速度,要么沦为“无脑盖章(rubber-stamping)”的工具人,去批准那些我们并未真正理解的代码。
传统人在环中模式(Human in the loop)
像管理组织一样,领导基于智能体的软件开发
Lead an agentic SDLC like an organization
要突破这一“断裂点”,关键在于理解基于大语言模型(LLM)的智能体具有“非确定性(non-deterministic)”。这种非确定性意味着我们不能盲目信任 AI 会把每一件事都做对。但这同样折射出了一个关于人类团队的基本事实:人也同样会犯错。然而,作为由“会犯错的人”组成的复杂交互集合体,企业组织却往往能够实现卓越的业绩并交付极其稳定的成果。
20 世纪 70 年代,斯塔福德·比尔(Stafford Beer)开发了“可生存系统模型(Viable System Model, VSM)”,将控制论与管理学科紧密连接起来。到了 20 世纪 80 年代,弗里德蒙德·马利克(Fredmund Malik)开始将 VSM 融入其著作《复杂系统管理战略》中,这帮助构成了以控制论为导向的“圣加仑管理学派(St. Gallen School of Management)”的中坚力量。
这一庞大的知识库提供了丰富的科学思想体系,能够帮助软件工程师不再把 AI 智能体系统仅仅看作一个“黑匣子”,而是将其视为一个功能完备、可控、可调节的控制论系统。而且,由于控制论作为一门科学,不仅适用于社会组织,同样适用于技术系统,因此它能极好地作为桥梁,帮我们解决智能体 SDLC 中由于人类试图保持“人在环中”而带来的重重摩擦。
寻找合适的衰减与放大方法,要求管理侧对智能体系统拥有足够精确的模型。这就是康南特-阿什比定理(Conant-Ashby Theorem):“系统的任何优秀调节者都必须是该系统的模型(Every good regulator of a system must be a model of that system)。” 这一理论表明,想要控制智能体系统的人类必须深刻理解系统本应如何运行。通过为 SDLC 设计和配置智能体,人类将形成一个初始的“思维模型”。但在现实中,实际运行的技术系统可能会与该模型产生偏差(例如发生模型漂移,或在某些未预料到的极端情况下失败)。这就是为什么我们需要引入最后一个元素,来促成“人在环上”模式的最终闭环。
从“人在环中(Human-in-the-loop)”向“人在环上(Human-on-the-loop)”的范式转变,正是软件工程这一职业在 AI 时代的进化史。探索控制论与管理艺术,为我们在这场变革中提供了坚实的学科底层支撑。它科学地解释了该如何塑造全新的智能体协作系统,使其既能享有机器带来的极致速度,又不会失控,从而持续创造出可靠且一致的业务价值。
在这一背景下,未来的软件工程师和系统架构师实质上正在转变为“控制论系统设计师(Cybernetic System Designers)”。如果他们能做到以下几点,就必将在智能体时代大放异彩: