快手万人研发组织AI范式跃迁：从工具普及到效能革命的实践之路

从2023年到2025年，快手在研发效能领域持续探索，逐渐找到了借助AI技术平滑通往“研发智能化”的可行路径。本文将系统性总结其在万人规模研发组织中推动AI研发范式升级的核心实践、关键洞察与演进路线。

AI研发提效陷阱：工具使用 ≠ 个人提效 ≠ 组织提效

早在2024年，快手就自研并全面推广了AI编程工具Kwaipilot，供超过10000名研发人员使用。经过持续的优化，在严格的度量口径下（AI生成并入库的代码行 / 新增代码行），整体AI代码生成率从1%提升至30%以上，部分业务线甚至达到40%以上。与此同时，智能代码评审（CR）、测试用例生成、单元测试等非编码环节的AI工具也相继涌现。

然而，大量的调研和数据分析揭示了一个反直觉的“不等式”：使用AI开发工具 ≠ 个人提效 ≠ 组织提效。

• 对研发工程师而言：深度使用AI工具的开发人员，其个人主观体感编码效率提升了20-40%，但个人承担的需求交付数量并未显著增加。
• 对组织而言：部分善用AI的工程师确实能更快完成任务，但组织整体的需求吞吐量和交付周期并未出现明显改善。

这一现象在行业报告中亦有印证。例如，《2025年DORA报告：人工智能辅助软件开发现状调查报告》中的数据显示，各企业对AI提升个人效能的预估效应值（标准化后）约为0.15，而对团队效能的预估效应值仅为0.05左右，对组织效能的提升预估则更低。这清晰地表明，个人效率的提升未能有效传导至组织层面。

快手在实践中发现，若仅推广单点AI提效工具，将偏离企业研发效能提升的核心目标，最终可能导致两个问题：

1. 投入产出比低：虽然个人反馈积极，但组织整体的研发效率提升并不明显。
2. 平台生态割裂：传统的DevOps平台与新兴的AI编程工具各自为战，无法协同演进，难以构建下一代一体化的智能研发平台。

总览：快手研发效能演进的三阶段路线

面对上述挑战，快手进行了系统性变革，其演进路径可清晰地划分为三个阶段：

第一阶段：平台化、数字化、精益化（2023-2024）
这一阶段的收益目标包括：研发数据覆盖度>90%、研发活动覆盖率>90%、研发工具渗透率>80%。解决方案的核心是建设三重一站式研发平台（需求+交付+运维），涵盖需求管理、IDE、项目协作、三端（后端KDev/前端KFC/客户端Keep）研发交付平台、运维与质量平台，并通过效能度量平台对项目级指标进行监控。当时面临的挑战是研发交付流程散乱，缺少标准化工具和研发指标。

第二阶段：智能化1.0（2024.6-2025.6）
目标是通过AI工具的使用，提升个人开发效率，进而推动业务需求响应率和研发周期优化。解决方案是建设AI研发成熟度模型和效能实践，推广AI编码等工具。核心挑战在于，如何将已验证的个人效率提升，转化为可支撑组织级效能提升的专家能力。

第三阶段：智能化2.0（2025.7以后）
目标是实现需求交付周期缩短70%以上，人均需求吞吐量提升25%以上。解决方案演进为效能度量（度量AI） 和效能平台（AI x 研发平台），旨在构建一站式智能研发平台。其核心挑战是：如何让产品形态与AI效率随大模型升级、企业知识丰富而持续进化，并为各业务线带来持续的效能提升。

接下来，我们将深入每个阶段的关键实践。

第一阶段：夯实基础——平台化、数字化与精益化

这一阶段的成功是后续AI范式跃迁的重要基石。以快手核心的主站技术部（负责快手APP研发，规模超千人）的实践为例，其依托公司级的研发效能基建，分三步走：

第一步：流程标准化与工具落地
通过推广三端一站式研发平台（KDev后端、KFC前端、Keep客户端），将需求管理和研发交付流程全面标准化。关键目标与结果如下：

目标	指标	结果
在线化&标准化	研发工具渗透率	三端均超过95%
自动化	研发流程自动化翻转率	三端均超过94%
用户体验	产品用户NPS	良好

推广过程注重用户体验，通过高频需求交付、专项问题日结、密集培训与激励，在短时间内完成了大规模迁移。数据驱动是关键，每周同步各团队的落地数据，例如某团队在2023年6月的KDev渗透率达100%，关联率和自动翻转率也达到100%，有效推动了工具普及。

第二步：建设效能度量体系
在流程数据线上化后，快手构建了一套全面的效能度量指标体系。其核心是以“人均交付产品需求数”为北极星指标，并建立了“红军”（正向洞察和牵引）与“蓝军”（逆向证伪和防作弊）的双向分析框架。

• 红军（正向）：围绕“人均产品需求交付量”展开，拆解为“需求生产”、“资源投入”和“交付速度”等维度，下设“需求生产量”、“产品需求2周交付率”、“人均交付SP（故事点）”等指标。
• 蓝军（逆向）：用于防范数据作弊和指标失真，监控“需求颗粒度波动性”、“请求积压率”、“个人交付SP异常过量”等情况，确保度量结果的真实可靠。

第三步：数据驱动的效能分析与改进
凭借可信的度量数据，团队可以进行深度“体检”和精准改进。

• 案例一：通过“研发活动在线化率”深挖架构问题。数据显示某团队产品需求投入占比（59%）偏低，而缺陷占比（14%）和体验优化占比（11.44%）偏高。调研发现根因在于客户端架构分层不合理、模块耦合度高，导致开发效率低、bug多。后续通过专项架构升级，使产品需求投入占比提升至64%。
• 案例二：通过“需求积压率”优化评审流程。通过监控各团队需求积压率（积压数/近3个月平均需求吞吐）的趋势图，识别出积压率持续高企的团队，进而驱动业务方优化需求预评审流程和排期节奏。

经过系统化提效，主站技术部的人均交付产品需求数在一年内同比增长超过80%。

第二阶段：单点突破——智能化1.0的探索与矛盾

此阶段聚焦于将AI能力融入研发全流程，核心是自研AI编程工具Kwaipilot。其产品矩阵包括：

• IDE插件 / AI原生编辑器 / CLI：覆盖开发者主流工作环境。
• 智能问答引擎：支持企业知识库问答、联网搜索、多模态问答等。

Kwaipilot提供了以IDE为中心的智能编程生态系统，覆盖编码前、中、后全场景。例如：

• 编码前：支持研发智能问答、仓库级代码解读、架构设计。
• 编码时：提供代码续写、编辑预测、编码智能体（支持仓库级上下文感知、工具使用、命令执行）。
• 编码后：具备代码诊断、智能生成提交信息/分支名、智能生成单元测试和代码评审能力。

推广过程分为三步：

1. 导入：鼓励全员使用各类AI编程工具（包括允许使用第三方工具），培养AI使用习惯。
2. 优化：聚焦解决真实业务开发中的两大门槛：（1）让AI工具“懂”业务和系统，通过自研代码大模型KAT-Coder、构建企业知识库来实现；（2）沉淀《AI x 开发指南》，将“AI开发高手”的最佳实践（如AI辅助开发、AI协同开发）标准化、课程化，赋能全员。
3. 固化：通过“热AI计划”等全员培训、设立“AI样板间”评选机制、举办AI编程挑战赛等活动，将AI能力固化为组织机制和文化。

结果上，AI代码生成率持续增长，开发人员主观体感效率提升显著。然而，一个根本矛盾浮现：AI代码生成率持续攀升，但需求交付效率基本停滞。

深度调研发现，问题在于开发方法的局限。当时主流是 “AI辅助编码” ，即在传统开发流程中，用AI完成代码续写、基础代码生成等。这种方式仅节省了碎片化的编码时间，但联调、测试、排期评估等环节耗时不变，因此对整体交付周期缩短帮助有限。

第三阶段：范式革命——智能化2.0与AI研发范式升级

智能化2.0阶段回归元问题：如何用AI提升需求端到端的交付效率？ 答案是进行“AI研发范式”升级，其核心框架包含三个支柱：AI x 效能实践、AI x 研发平台、AI x 效能度量。

核心定义：需求AI研发成熟度模型
快手根据AI在需求交付中的参与程度，定义了三个等级：

• L1 AI辅助（Copilot）：人主导，AI主要在编码环节提供辅助。
• L2 AI协同（Agent）：人与AI深度协同，AI在研发全流程的多个环节（如分析、设计、编码、测试）完成任务，人进行审核与调整。
• L3 AI自主（Agentic）：AI近乎自主完成从需求澄清到代码生成、测试、部署的全流程，人类角色类似产品经理，负责最终验收。

第一步：AI x 效能平台——建设下一代智能研发平台
目标是打造一个能同时支撑L1-L3不同研发模式、并可随技术和知识持续进化的平台。快手提出了“Flow（工作流）”产品形态，将需求交付的全流程节点（如需求分析、技术设计、编码、测试、发布）可视化、可配置。开发者可以根据自身能力和需求特点，在同一个Flow中选择不同模式：

• 选择标准开发或AI辅助编码，节点由人工完成。
• 选择AI辅助/协同开发，关键节点由AI驱动，上下文在节点间自动传递。
• 对于L3级需求，Flow可接近全自动运行。

第二步：AI x 效能实践——以需求为中心的范式导入
在个人、团队、业务线三个层面系统性推进：

• 个人级：推广《AI x 开发指南》，将开发方法从“AI辅助编码”升级到“AI辅助开发”和“AI协同开发”。数据显示，掌握高阶方法的开发者，其需求交付周期缩短比例显著更高。
• 团队级：鼓励团队探索适合自身的AI研发模式，例如改变前后端分工、利用AI进行全栈开发以减少协作节点等。标杆团队通过实践，实现了L2/L3级需求占比超过20%，需求交付周期下降58%的显著效果。
• 业务线级（如主站技术部）：Top-Down战略驱动，发布AI DevOps白皮书，成立重点项目。核心实践是 “按需分级，逐级推进”：先让所有需求达到L1级，再让大部分需求升级至L2级，同时筛选小部分独立需求探索L3级。

第三步：AI x 效能度量——建设AI研发成熟度度量体系
在原有效能度量体系上，新增“需求AI研发成熟度”度量模型，用于追踪L1、L2、L3级需求的占比变化。这为组织级的AI范式升级提供了清晰的量化指引和结果验证。

总结与展望

快手的实践印证了行业洞察：AI对于研发效能而言，不是“万能药”，而是“透视镜”和“放大器”。它首先会暴露组织在流程、数据、协同上的既有短板，然后将已有的效能基础（无论是优势还是劣势）进一步放大。

快手的成功关键在于，没有急于求成，而是遵循了清晰的演进路径：

1. 先打好地基（平台化、数字化、精益化），确保流程可控、数据可信。
2. 再验证单点AI能力对个人的提效效果，并解决工具“本土化”问题。
3. 最终回归组织效能目标，通过定义AI研发成熟度模型、升级研发平台与度量体系，系统性推动研发范式从“AI辅助编码”向“AI协同开发”乃至“AI自主开发”跃迁。

这场由AI驱动的生产力与生产关系变革仍在继续。快手将其智能化2.0阶段的探索成果，持续融入其对外发布的开发者工具CodeFlicker中，并与业界共享其“AI研发范式”的实践经验。对于任何寻求通过AI实现研发效能跃迁的大型组织而言，快手的这条“先夯实基础、再单点突破、最终进行范式革命”的路径，提供了极具价值的参考。

参考资料

[1] 快手：万人组织AI研发范式跃迁之路, 微信公众号：mp.weixin.qq.com/s/I_VpBEktknviXi1kWvt8GA

版权声明：本文由 云栈社区 整理发布，版权归原作者所有。