简介:本文以Working、Coding、OnCall三类典型技术工作为对象,对比人工驱动、AI工具辅助、流程内嵌式AI与Agent协作四种模式在知识沉淀、任务交付、运维响应和组织治理方面的差异。文章进一步分析L0至L5成熟度模型,帮助技术团队判断自身所处阶段,并在效率、质量、安全、成本与迁移风险之间做出更合理的选型。
在复杂的视频业务或大型互联网业务中,Working、Coding、OnCall看似属于不同环节:Working更关注需求分析、方案设计与业务协作,Coding负责代码实现、测试和交付,OnCall则承担线上故障响应、系统恢复与持续改进。但三者并不是相互独立的工作链路,它们共同依赖同一类基础资源——知识。
这里所说的知识,不仅是文档,还包括需求背景、系统边界、数据血缘、技术决策、代码规范、故障案例、排障路径、权限规则以及团队成员在长期实践中形成的经验。AI能够提升个人处理信息和生成内容的速度,却不一定自动提升组织产出。真正的难点在于:如何让个人经验进入流程,让流程沉淀为组织资产,再让组织资产反过来服务于更多人的工作。
本文重点对比两组对象。第一组是Working、Coding、OnCall三类工作场景,分析它们在知识形态、任务目标和AI介入方式上的差异;第二组是L0至L5六个AI应用成熟度阶段,重点讨论从“AI工具使用”走向“Agent协作”时,系统架构、治理方式和人员角色发生了什么变化。
Working通常包含需求澄清、目标拆解、方案评审、项目协作、风险识别和结果复盘等工作。它的核心输入不是单一数据,而是分散在需求记录、历史方案、会议结论、指标分析和人员经验中的上下文。
在传统模式下,工作人员需要主动查找资料、询问相关人员,并依靠个人记忆完成判断。AI工具可以帮助整理会议内容、生成方案初稿、提炼风险点或对比不同设计,但如果缺乏统一知识源,生成结果很容易出现以下问题:
因此,Working场景的关键并不是“能否生成一份文档”,而是AI能否获取可信上下文,并将结论关联到责任人、审批记录和后续任务。
Coding覆盖编码、测试、代码审查、构建、发布和技术债治理等环节。AI可以生成代码片段、补充测试用例、解释复杂逻辑、辅助定位编译错误,也可以根据接口约束生成基础实现。
但代码生成速度提升后,新的风险也会同步出现。若没有统一的架构规范、依赖关系、数据安全要求和质量门禁,个人使用AI可能形成“局部效率提升、整体维护成本上升”的结果。例如,同一类问题被不同人员采用不同实现方式,代码风格和异常处理方式不一致,测试覆盖不足,甚至将敏感信息带入不恰当的上下文。
Coding场景需要关注的不是单次生成质量,而是AI输出能否进入完整工程流程。理想状态下,AI应当理解项目规范,在提交前完成基础检查,并将生成、修改、审查和发布过程留下可追溯记录。
OnCall面对的是生产环境中的异常、告警和用户影响。它要求快速完成现象确认、影响评估、原因定位、缓解操作、恢复验证和事后复盘。
OnCall知识通常具有很强的场景依赖性。某个告警可能与特定版本、流量模式、依赖系统或配置变化有关,单纯依靠通用问答很难得到可靠结论。AI若要参与OnCall,至少需要理解监控指标、日志摘要、变更记录、服务拓扑和历史故障处理过程。
这意味着OnCall中的AI不能只负责“回答问题”,还需要具备证据引用、操作权限隔离、风险提示和人工确认能力。对于重启服务、修改配置、回滚版本等高风险动作,AI可以提出建议或生成执行计划,但通常应保留审批和人工接管机制。
三类场景都依赖知识,也都可以借助AI完成信息检索、内容生成、任务拆解和结果总结。但它们对知识的要求并不相同。
| 对比维度 | Working | Coding | OnCall |
|---|---|---|---|
| 主要目标 | 理解业务并推动决策 | 产出可维护的软件 | 快速恢复服务并降低影响 |
| 核心知识 | 需求、方案、业务规则 | 代码、接口、规范、依赖 | 监控、日志、变更、故障案例 |
| 结果形态 | 决策记录、计划、评审结论 | 代码、测试、构建产物 | 处置方案、恢复记录、复盘报告 |
| AI主要价值 | 提炼上下文、辅助分析 | 生成实现、检查质量 | 关联证据、辅助定位、生成处置建议 |
| 主要风险 | 结论失真、背景缺失 | 代码不可维护、质量失控 | 错误操作、扩大故障影响 |
| 人工角色 | 决策者和审批者 | 工程负责人和审查者 | 监督者和最终处置者 |
由此可见,三类工作不能简单采用同一套AI策略。Working更重视上下文完整性和决策可追溯;Coding更重视规范约束和自动化验证;OnCall更重视实时性、安全边界和故障处置权限。
所有任务由人员独立完成,知识主要储存在个人经验、分散文档和即时沟通中。优点是流程灵活、系统建设成本低;缺点是重复劳动多,人员离开后经验容易流失,组织难以稳定复用最佳实践。
人员开始独立使用AI完成检索、总结、翻译、代码生成或文档润色。此阶段的核心特征是“工具辅助个人”,AI通常不知道组织内部的完整规范,也不直接承担流程责任。
L1适合低风险、边界清晰的任务,例如会议纪要整理、基础代码补全、常见问题解释和文档格式优化。但它并不能自然解决知识孤岛问题,因为提示词、上下文和优秀实践仍可能停留在个人环境中。
AI开始进入具体流程,例如需求评审前自动生成检查清单,代码提交时辅助进行规范检查,告警发生后自动汇总相关日志和变更记录。此时AI不再只是独立工具,而是流程中的一个步骤。
L2的关键变化是上下文被结构化。团队需要明确知识来源、数据更新机制、输出格式、责任人和异常处理方式。相比L1,L2能够带来更稳定的组织收益,但仍以人工主导为主,AI通常不具备跨系统自主执行能力。
L3是从“工具使用”走向“任务协作”的分水岭。Agent不只是生成内容,而是能够围绕目标拆分任务、调用授权工具、读取多个知识源、执行部分操作,并在关键节点请求人工确认。
例如,在Coding场景中,Agent可以根据需求读取规范,生成实现方案,补充测试,并提交待审查变更;在OnCall场景中,Agent可以关联告警、日志、变更记录和历史案例,形成候选原因与处置步骤,但高风险操作仍需审批。
L3对组织能力提出更高要求,包括统一身份认证、权限控制、工具调用边界、审计日志、知识版本管理和人工接管机制。没有这些基础能力,Agent的自动化范围越大,潜在风险也越高。
L4中,多个Agent可以在明确约束下完成较长链路的任务,人员主要承担监督、策略制定和例外处理。例如,系统可以自动完成常规巡检、容量分析、低风险故障缓解和结果验证。
不过,高度自治并不等于完全取消人工。对于涉及数据修改、权限变更、核心服务发布和重大业务决策的任务,仍应设置分级授权、审批阈值和回滚机制。
L5的目标是形成面向组织的AI运营大脑,由AI参与目标分解、资源调度、流程优化和持续学习。该阶段要求组织拥有高度标准化的数据、流程、权限和评价体系,目前更适合作为长期建设方向,而不是短期交付目标。
L2和L3表面上只差一个成熟度等级,实际却涉及工作方式的变化。
第一,责任主体不同。L2中AI是流程节点,人员仍然逐步操作;L3中AI开始承担任务编排,人员从执行者转变为审批者或监督者。
第二,系统边界不同。L2通常只需要接入一个流程或一个知识库;L3需要关联多个系统,并处理身份、权限、状态同步和异常分支。
第三,评价标准不同。L2主要看生成内容是否有帮助;L3还要评价任务是否完成、操作是否合规、结果是否可验证以及失败后能否恢复。
第四,风险模型不同。AI生成一段文档错误,通常可以人工修改;AI错误执行一次生产操作,可能造成直接业务影响。因此,L3必须引入最小权限、审批节点、操作模拟、幂等设计和回滚机制。
对于Working,建议优先从知识检索、会议总结、方案对比和风险清单开始,逐步建立统一术语、知识分类和结论审计机制。当业务规则稳定、审批流程清晰后,再考虑让Agent自动组织材料和推动任务流转。
对于Coding,应先完善代码规范、测试门禁、依赖治理和提交审查,再扩大AI生成范围。低风险模块可以采用更高程度的自动生成;核心模块则应坚持人工审查、自动测试和分阶段发布。
对于OnCall,建议优先建设统一的告警上下文、服务拓扑、变更记录和故障案例库。AI可以先做信息聚合和原因推荐,再逐步开放低风险、可回滚动作。任何涉及核心数据和关键服务的操作,都应设置明确的人工确认机制。
从个人AI使用迁移到组织级AI协作,不能只增加一个聊天入口,而应同步改造知识和流程。
Working、Coding和OnCall的共同底座是知识,但三者对知识的结构、时效性和风险要求不同。AI工具能够提升个人效率,流程化AI能够改善局部协作,而Agent协作则进一步改变任务分工和组织运行方式。
从L0到L5并不是简单的功能升级,而是从人工执行、工具辅助,逐步走向流程重塑、任务协作和组织自治。对于大多数技术团队而言,当前更现实的路径是夯实L2能力,在知识治理、权限管理、流程标准化和结果审计方面建立基础,再针对不同场景谨慎进入L3。
最终,AI是否真正让知识流动起来,不取决于生成速度有多快,而取决于知识能否被正确沉淀、可靠调用、持续验证,并在合适的权限边界内转化为可执行的组织能力。