研发效能 (DevOps) 提升：从代码到价值的加速实践

徐晓仪《研发效能 (DevOps) 提升：从代码到价值的加速实践》面向研发管理与工程团队，围绕价值流诊断、AI辅助编程、代码审查、智能CI/CD和AIOps展开，结合工作坊制定研发效能改进计划

2天，共12小时 人工智能应用
授课讲师： 徐晓仪 · 数智化转型与AI应用实战专家
获取课程方案 查看课程大纲

课程大纲

效能困局与 3.0 范式——为什么大家都很忙，产出却很少？

一、 研发效能的“不可能三角”：快、好、省能否兼得？
  • 现状扫描：需求排队、返工率高和知识流失等低效能问题。
  • 范式转移：从 1.0（手工作坊） -> 2.0（DevOps 自动化） -> 3.0（AI 智能化）。
  • 【开场案例研讨】引入AI Coding后，如何分析研发周期与缺陷率的变化。
  • 【互动】痛点投票：需求反复变化、遗留代码难改、测试环境不稳定，团队最突出的问题是什么？
二、 底层逻辑：徐晓仪“数智 DnA”之研发观
  • 研发不仅是写代码，更是“价值流动”：从 Idea 到 Cash 的全链路。
  • “人机协同”新定义：人类做架构师（Architect），AI 做泥瓦匠（Builder）。
  • 【互动】红黑牌：如果 AI 生成的代码出了 Bug，责任在 AI 还是在评审的程序员？
三、 效能度量：你不能改进你无法度量的东西
  • 拒绝虚荣指标：讨论仅以“代码行数”和“工时”考核研发效能的局限。
  • DORA历史四指标框架：发布频率、变更前置时间、服务故障恢复时间与变更失败率。
  • 效能北极星：流动效率（Flow Efficiency）。
四、【工作坊/实战演练】价值流图 (VSM) 诊断
  • 场景背景：选取一个最近交付的典型需求（从提需求到上线）。
  • 学员任务：
  • 绘制端到端的价值流图。
  • 标注出“增值时间”（写代码）与“浪费时间”（等待、审批、返工）。
  • 计算当前的流动效率（增值时间 / 总前置时间）。
  • 输出成果：《研发价值流诊断与浪费识别图》。

AI Coding 实战——让 AI 成为你的结对编程伙伴

一、 辅助编程 (Copilot) 最佳实践
  • 提示词工程（Prompt4Code）：如何编写用于代码生成的提示词，并评估生成质量？
  • 场景化应用：
  • 生成代码：根据注释生成复杂算法逻辑。
  • 生成单测：使用AI辅助生成单元测试用例，检查测试覆盖情况。
  • 解释代码：辅助理解长期维护的遗留代码。
  • 【历史案例】百度2023年公开的Comate实践：讨论其当时报告的约40%整体代码采纳率。
二、 智能代码审查 (AI Code Review)
  • 人工 Review 的痛点：没时间看、看不仔细、人情世故。
  • AI Review Agent：利用大模型自动检查代码规范、潜在 Bug 和安全漏洞。
  • 【互动】找茬游戏：对比 AI Review 的结果与人工 Review 的结果，看谁发现的 Bug 更多？
三、 遗留系统重构 (Refactoring)
  • 架构腐化：单体应用拆分微服务的难点。
  • AI 辅助重构：利用 AI 识别代码异味 (Code Smell) 并自动生成重构建议。
四、【工作坊/实战演练】AI 结对编程挑战赛
  • 场景背景：实现一个具体的业务功能（如：订单金额计算与优惠券抵扣）。
  • 学员任务：
  • 分组 PK：A 组纯手工编写，B 组使用 Cursor/Copilot 辅助。
  • 记录完成时间、代码行数与测试通过率。
  • 输出成果：《AI 编程效能对比分析报告》。

智能流水线——DevOps 的“自动驾驶”升级

一、 CI/CD 的智能化升级
  • 传统流水线 vs 智能流水线：从“死板执行”到“动态决策”。
  • 精准测试：利用AI分析代码变更影响范围，选择必要测试用例并评估测试耗时。
  • 智能构建：利用 AI 预测构建失败概率，提前熔断。
二、 智能运维 (AIOps) 与稳定性保障
  • 故障预测：利用时序数据分析，识别磁盘容量耗尽风险。
  • 根因分析 (RCA)：告警风暴时，让 AI 自动分析日志并定位 Root Cause。
  • 自动治愈：常见故障（如 OOM 重启、磁盘清理）的无人值守处理。
  • 【互动】连线题：将“日志异常检测”、“全链路追踪”、“容量预测”连线到对应的 AIOps 场景。
三、 平台工程 (Platform Engineering)
  • 开发者体验 (DevEx) 为王：打造自助式开发者平台 (IDP)。
  • 将基础设施代码化 (IaC)：用 AI 生成 Terraform/K8s 配置脚本。
  • 【案例研讨】自助式开发者平台（IDP）如何支持新员工熟悉并执行代码发布流程。
四、【工作坊/实战演练】智能流水线设计
  • 场景背景：针对现有的 Jenkins/GitLab CI 流水线。
  • 学员任务：
  • 识别流水线中的“慢节点”和“易错点”。
  • 设计引入 AI 能力的优化方案（如：AI 自动生成 Commit Message、AI 自动分析构建日志）。
  • 输出成果：《智能 CI/CD 流水线优化蓝图》。

复盘与文化——持续改进研发组织效能

一、 工程文化：工具易买，文化难建
  • 免责文化 (Post-mortem)：故障复盘不是为了追责，而是为了改进系统。
  • 工程文化：鼓励自动化，减少重复劳动。
  • 【互动】辩论赛：为了追求极致效能，是否应该强制要求研发人员必须使用 AI 工具？
二、 课程全景回顾
  • 知识图谱串讲：从 3.0 范式到 AI Coding，再到智能运维。
  • 讲师赠言：研发效能提升没有银弹，只有不断的微创新。
三、【工作坊/实战演练】研发效能改进百日计划
  • 场景背景：制定未来 100 天的效能改进路线图。
  • 学员任务：
  • 设定一个“北极星指标”提升目标；发布频率提升2倍为原课纲的目标示例，具体目标结合团队基线制定。
  • 规划 3 个关键举措（如：引入 Copilot、建设精准测试、优化 Code Review）。
  • 明确所需的资源与支持。
  • 输出成果：《研发效能提升百日行动计划 (Action Plan)》。
四、 结业与致谢
  • 优秀小组颁奖。
  • 课后作业布置：在团队内部开展一次“AI 编程黑客马拉松”。

附录：配套工具包清单

《研发效能度量指标体系 (DORA+) 词典》
    《AI 辅助编程提示词 (System Prompt) 最佳实践库》
      《Code Review 检查清单 (AI 加持版)》
        《研发价值流诊断画布 (VSM Canvas)》
          《DevOps 成熟度评估模型 3.0》

            适合对象

            CTO、研发总监、DevOps工程师、技术经理、核心架构师和QA负责人

            课程定位与主要问题

            从需求到上线的价值流入手，识别等待与返工，练习AI编程和代码评审，讨论测试、流水线与运维改进，并制定团队行动计划

            课程适配与选型边界

            徐晓仪《研发效能 (DevOps) 提升：从代码到价值的加速实践》面向研发管理与工程团队，围绕价值流诊断、AI辅助编程、代码审查、智能CI/CD和AIOps展开，结合工作坊制定研发效能改进计划

            适合对象

            CTO、研发总监、DevOps工程师、技术经理、核心架构师和QA负责人

            课程重点

            从需求到上线的价值流入手，识别等待与返工，练习AI编程和代码评审，讨论测试、流水线与运维改进，并制定团队行动计划

            时长与形式

            2天，共12小时；课程讲授、案例复盘、互动投票与辩论、分组编程对比、价值流诊断和流水线设计工作坊

            课程侧重AI在软件研发及DevOps中的应用，包含四讲、工作坊和配套工具清单。具体案例、工具版本与练习环境需在咨询时确认，改善目标结合团队的流程和代码基础制定

            核心收益

            • 围绕需求到上线流程绘制价值流，识别增值、等待、审批和返工环节
            • 练习AI辅助代码生成、单元测试、代码解释和遗留代码重构
            • 讨论AI代码审查、精准测试、智能构建、AIOps和自助式开发者平台的应用
            • 结合度量、工程文化和百日行动计划，梳理团队效能改进目标、举措与资源

            课程背景与交付信息

            课程以需求堆积、代码质量和线上稳定性等研发问题为背景，结合IPD研发管理理念与Copilot、Cursor、DeepSeek等工具，讨论人机协同和研发流程改进

            课程时间

            2天，共12小时

            授课方式

            课程讲授、案例复盘、互动投票与辩论、分组编程对比、价值流诊断和流水线设计工作坊

            课程工具

            价值流图VSM与流动效率分析；Copilot/Cursor编程对比练习；Code Review检查清单与智能CI/CD优化蓝图；原纲配套DORA+词典、提示词实践库、VSM画布及DevOps成熟度模型

            学员准备

            咨询时确认参训岗位、研发流程、可用于课堂的代码示例及工具环境。原课纲安排价值流诊断、编程对比和流水线设计；具体工具账号、版本及配套资料以确认的授课安排为准。

            课程内容重点

            01研发效能认知、DORA历史指标框架与价值流诊断
            02AI辅助编程、代码审查与遗留系统重构
            03智能CI/CD、AIOps与平台工程
            04工程文化复盘与研发效能百日计划

            讲师介绍

            徐晓仪 讲师头像

            徐晓仪

            数智化转型与AI应用实战专家

            数智化转型与AI应用实战专家。徐晓仪讲授本课程，围绕AI辅助研发、价值流度量和DevOps流程改进，组织代码对比、流水线设计与团队行动计划练习，可结合企业内训场景开展课程讲授与案例讨论

            金融银行制造业政府国企互联网科技消费品零售通信
            查看讲师主页

            课程差异说明

            课程侧重AI在软件研发及DevOps中的应用，包含四讲、工作坊和配套工具清单。具体案例、工具版本与练习环境需在咨询时确认，改善目标结合团队的流程和代码基础制定

            课程常见问题

            这门课的AI应用重点是什么？

            重点是软件研发场景：代码生成、单测生成、代码解释与评审、遗留系统重构，以及CI/CD、AIOps和平台工程。原课纲结合Copilot、Cursor等工具展开练习

            哪些岗位适合参加？

            原课纲面向CTO、研发总监、DevOps工程师、技术经理、核心架构师和QA负责人，适合围绕团队研发流程与工程效能组织学习

            课程需要多长时间？

            原课纲安排2天，共12小时，包含四讲、分组练习、工作坊与复盘。工具版本和课堂练习环境可在咨询时核对

            课堂有哪些具体练习？

            课程安排价值流诊断、手工与AI辅助编程对比、智能流水线设计，以及百日行动计划；练习涉及交付流程、完成时间、测试通过率、改进举措和资源安排

            课程如何衡量研发效能？

            课程结合DORA历史四指标框架与流动效率，安排价值流诊断，并在编程对比中记录完成时间、代码行数和测试通过率。百日计划要求结合团队基线设定目标、举措及资源安排