Running an AI-native engineering org

原始來源與檔名：2026-06-09T093857+0800-Running an AI-native engineering org.md

NAPKIN | 餐巾纸

餐巾纸公式

AI-Native Org = JIT Planning + AI Contextualization + Human-Expertise Review + Blurred Roles 當寫代碼的成本降至極低時，工程組織的瓶頸轉移至驗證與安全，流程需從「重規劃、重人力」轉向「即時原型、AI 自動化脈絡獲取」。

一句话

Claude Code 團隊分享了當「寫代碼」不再是瓶頸時，他們如何重塑專案規劃、代碼審查與跨職能協作的工程文化。

餐巾纸草图

[Old Bottleneck] -----> [New Bottleneck]
Writing Code            Verification, Security, Review

[Old Process]    -----> [New AI-Native Process]
6-month roadmap         Just-In-Time (JIT) prototyping
Ask Author              Ask Claude
Manual Review           Claude checks style/bugs, Humans check logic/domain
Siloed Roles            Blurred Roles (PMs code, Engineers design)

ROUND 1: SKELETON | 骨架掃描

“这本书在说什么”

• 核心问题: 隨著 AI Agent (Claude Code) 使得產出代碼的速度大幅提升，傳統為「昂貴工程時間」設計的敏捷開發或瀑布流程已不再適用，工程主管該如何調整團隊運作？
• 核心答案: 放棄長期路線圖改為 JIT 規劃、用 Claude 取代找原作者問問題、將代碼審查的基礎工作交給 AI，並重塑招聘與角色邊界。
• 论证结构: 點出瓶頸的轉移 -> 對比四個核心流程的 Before/After (規劃、獲取脈絡、代碼審查、團隊組成) -> 分享團隊如何落地新準則 -> 提出衡量轉型成功的三個關鍵數據。

章节骨架

1. The processes that quietly stopped working: 產出代碼變快後，Verification、Code review 與 Security 成為新瓶頸。
2. Planning: 從 6 個月的 Roadmap 轉向 Just-in-time (JIT) 規劃與原型開發。
3. Context gathering: 從「問原作者」轉變為「先問 Claude，並考慮是否能自動化該查詢」。
4. Code review: 信任但驗證。Claude 處理 linting, 基礎 bugs, 寫測試；人類專注於法律、資安邊界與產品體驗 (Taste)。
5. Team makeup: 角色模糊化。PM 開始寫代碼，工程師參與設計。招募更看重「有產品感的創意創造者」與「底層系統專家」，而非單純追求產出速度的 Coder。
6. How we rolled out our new norms: 強制吃狗糧 (Dogfooding)、保持組織扁平、授權殺死無用流程。
7. Tracking success: 觀察新進員工 Ramp time、PR cycle time、與 AI 輔助 Commit 比例。

ROUND 2: DISSECTION | 血肉解剖

“凭什么这么说”

论证链

[AI 讓編碼成本趨近於零] --> [長期規劃因市場變化太快而失效] --> [採用 JIT 規劃與原型快速迭代] --> [團隊需調整審查機制與打破角色穀倉]

关键证据

1. 代碼產出比例: “I don’t think I’ve seen a non-Claude-assisted commit in the last four months.” (過去四個月所有 commit 都有 Claude 輔助)
2. 角色模糊: “our PMs code a lot now… and you have engineers who take on things like content and design”
3. 指標追蹤: 觀察 “Onboarding ramp time goes down” 與 “PR cycle time goes down”。由於代碼大量生成，CI 系統往往會成為新的瓶頸。

隐形假设与边界

• 隐形假设: 團隊成員皆具備使用 AI 工具的高度意願與能力；自動化生成的代碼在基礎品質上已經達到生產標準。
• 边界条件: 此模式可能最適合節奏極快、產品導向的創新團隊。對於需要嚴格法規遵循 (如醫療、航太) 的底層架構，JIT 規劃可能不完全適用。

ROUND 3: SOUL | 靈魂提取

“还能怎么用”

• 作者盲点: 雖然提到 CI 系統可能無法負荷大量 PR，但並未具體給出如何重新架構測試管線 (Test Pipeline) 來適應 AI 產出速度的技術細節。
• 知识连接: 豐田生產方式 (TPS) 中的及時生產 (Just-in-Time)，以及 DevOps 文化中的持續反饋。
• 行动触发: 挑選團隊中最耗時的流程 (如：每日站會、手動整理進度報表)，詢問團隊是否能用 AI 工作流自動化甚至直接取消它。

跨域映射

• 在 製造業，這叫 Just-In-Time (JIT) 庫存管理，不預先囤積「功能規劃」，而是根據即時的用戶反饋來啟動「生產」。

Running an AI-native engineering org (Architectural Deep Dive)

前言/背景

文章來自 Anthropic Claude Code 團隊的工程主管分享。當團隊全面導入 Agentic Coding 後，發現傳統軟體工程中「因人力昂貴而設立的流程」已悄悄失效。工程瓶頸從「寫代碼」轉移至「審查、安全與驗證」。

章節詳細總結

舊流程的淘汰與新常態的建立

• JIT 規劃替代長線 Roadmap：過去半年期的規劃往往在第三個月就過時。現在改採 JIT (Just-in-Time) 模式，快速建立原型 (Prototype) 並透過內部狗糧 (Dogfooding) 取得反饋，不再進行冗長的設計文件評審。
• 重塑 Code Review 與脈絡獲取：
  • Context：不再去找「寫下這行代碼的人」問問題，而是讓 Claude 從代碼庫和文件中抓取脈絡，甚至將每日回饋的摘要自動化。
  • Review：風格、Linting、基礎測試交給 Claude。人類工程師的精力保留在「資安信任邊界」、「法律風險」與「產品體驗 (Taste)」上。
• 角色邊界模糊化：PM 也能提交 PR，工程師也能涉足設計與內容。招募重點從「高產出的 Coder」轉向兩極：一是具備產品直覺的「創意創造者 (Creative builders)」，二是解決硬核底層問題的「系統專家 (Deep systems expertise)」。

落地推行與指標追蹤

管理層強制要求團隊「吃自己的狗糧」，並賦予團隊直接砍掉「不合時宜流程」的權力。衡量轉型成功的三大指標為：

1. Onboarding Ramp Time 下降：新人一週內就能發布代碼。
2. PR Cycle Time 下降：大量代碼產出會考驗 CI 系統的極限，若 PR 週期沒有下降，代表 CI/CD 成為了新瓶頸。
3. AI 輔助 Commit 比例上升：目前團隊已達 100% 輔助率。

總結與結論

• AI 原生組織的核心不在於「寫得更快」，而是透過消除「寫代碼的阻力」來實現更靈活的專案管理與角色分工。
• 管理者應該開始將人類員工視為「領域專家與決策者」，而非「代碼產出器」。
• 變革的第一步是找出團隊中最吵雜、最耗時的流程，嘗試將其 AI 自動化或直接廢除。