老曹眼中的敏捷开发

世界上不存在这样一种方法:

只要套用,就可以写出完美的软件,无论使用的哪种设计模式;

但确实可能存在一种开发方式,可以帮助我们一步步构造出需要的软件和架构——这有可能就是敏捷开发。

相对于软件开发流程,有一门专门的学科——软件工程。最早接触软件工程,是20年前在北电贝尔北方实验室工作的时候,当时的开发流程是这样的:

其他主流的瀑布式开发流程也大致如此。然而,随着技术的演进,尤其是互联网的发展,BS架构的广泛应用,用户反馈的及时响应成为了可能。从90年代开始逐渐引起广泛关注的一些新型软件开发方法出现了,如XP ( Extreme Programming ),Scrum 等,统称为敏捷开发。敏捷开发主要是通过高透明性、可检验性和适应性来管理复杂性、不可预测性和变化。

以Scrum为例,典型的开发模型如下:

这是一张被广泛引用的图片,还有一张烂大街的图片就是Sprint 的流程图:

难点在于一个sprint周期有多长,个人觉得Sprint周期的长度要依赖于你能在多长时间内保证在Sprint期间的需求不发生变更。

敏捷是一种方式,不是单纯的方法,通过各种的行为方式来实现目标。

首先是,Sprint 计划会议。计划会议要有足够的时间,最好至少8个小时。取出部分产品需求做成sprint需求,并写成索引卡。确定并细分每一个索引卡的故事(User Story), 然后进行工作认领(不是分配)。同时,确定每日站立会议的时间和地点,确定好演示会议和回顾会议的日期。

站会是敏捷中的一个显著特点,每次10-15分钟,迟到将接受惩罚,每个成员自问自答三个问题:昨天做了什么,今天要做什么和遇到了什么问题,会后再沟通问题的解决方案,最重要的是更新燃尽图。

在开发过程中,要使用好任务看板,关注产品的整个生命周期:需求,设计,开发,测试和维护。注意燃尽图,对于小团队而言,建议不要使用软件取代看板,可以选择性的和XP或其它敏捷的某些方式相结合。

演示会议是至关重要的。演示是跨团队的,会产生不同团队之间的交流。不要关注太多的细节,以主要的功能为主,一定要让老板或者客户看到。演示会议

非常的重要,绝对不可以被忽略。

回顾会议的时间一般在1-3个小时,要找最舒适的地方(最好有回顾看板)。开始的时候轮流发言,而不是主动发言。记录问题并总结,并讨论改进的方法,放在回顾看板上。每人将最重要的2-3个改进点,成为下一轮产品需求的一部分。

还是那就话,“没有银弹”,敏捷也不是万能的。Scrum的主要缺陷有,团队压力大,不方便跨时区和跨语言的协同团队,而且一旦启动无法被中断,更重要的是程序维护的成本偏高,对工程师的要求较高,尤其是应用的架构和可扩展性。

但是,敏捷开发的12个准则还是应该理解的,个人总结成一句话,按花生酱,赞不绝口。

Clic 按

Concise:简洁开发

要做到简洁,即尽最大可能减少不必要的工作。这是一门艺术。

Lean:精益求精

对技术的精益求精以及对设计的不断完善将提升敏捷性

Iteration:高速迭代

要不断交付可用的软件,周期从几周到几个月不等,且越短越好

Change:拥抱需求变更

欢迎对需求提出变更——即使是在项目开发后期。要善于利用需求变更,帮助客户获得竞争优势。

Jif 花生酱

Join:全员参与

项目过程中,业务人员与开发人员必须在一起工作

Incentive:员工激励

要善于激励项目人员,给他们以所需要的环境和支持,并相信他们能够完成任务。

Face2Face:当面沟通

无论是团队内还是团队间,最有效的沟通方法是面对面的交谈。

Raves 赞不绝口

Rethink:反思

团队要定期反省如何能够做到更有效,并相应地调整团队的行为

Availabiltiy:可用第一

可用的软件是衡量进度的主要指标。

Value:尽快给用户带来价值

最高目标是,通过尽早和持续地交付有价值的软件来满足客户。

Evenly:匀速前进

敏捷过程提倡可持续的开发。项目方、开发人员和用户应该能够保持恒久稳定的进展速度。

Self-orgnazation:自组织团队

最佳的架构、需求和设计出自于自组织的团队。


敏捷开发乃至一般的开发过程都会涉及到一件事,任务估点,就如何见招拆招。个人觉得,一个task 最好以2个小时为单位,半小时设计,半小时编码,半小时测试,半小时文档、注释以及重构。原因可能是这样的,互联网上流传着一句名言——3个月就是一年,也就是1周相当于1个月。那么,2个小时就相当于1天了,也就是说,我们的团队要将每两个小时当成一天来计算。众所周知,所有的估算都是不准确的,以2小时为单位是为了降低误差。就像我们度量的时候,以米为单位度量,误差就是米,以毫米来量,误差就是毫米。2个小时一个task,就相当于开发中的“毫米”。

敏捷开发中最重要的还是代码,优秀的代码质量决定着产品或者服务的质量。个人以为,有四种手段可以提升一下代码质量:

1)意图导向编程,简单地说,就是把注释变成代码,让代码拥有自解释性

2)测试驱动开发,尤其是对后端而言更为重要,可以结合日志系统可以更快捷定位问题

3)创建和使用分离,这就是大家常说的“高内聚 低耦合”了

4)单点修改原则,单点修改可能只是一种理想状态,但应该铭记在心

至于敏捷团队,就是我提倡的ABC了:

具体的,我在旧文《和 <创时代>》中有描述,这里不在重复。对于团队敏捷,我只想澄清项目和产品开发(project developement vs product developement)的区别,这两者在目标上还是又着区别的,例如持续演进,架构的可扩展性等等。

老曹眼中的敏捷开发,还是以我喜欢的一行python 代码作为共勉:

$ python -c "import this"

The Zen of Python, by Tim Peters Beautiful is better than ugly. Explicit is better than implicit. Simple is better than complex. Complex is better than complicated. Flat is better than nested. Sparse is better than dense. Readability counts. Special cases aren't special enough to break the rules. Although practicality beats purity. Errors should never pass silently. Unless explicitly silenced. In the face of ambiguity, refuse the temptation to guess. There should be one-- and preferably only one --obvious way to do it.Although that way may not be obvious at first unless you're Dutch. Now is better than never. Although never is often better than *right* now. If the implementation is hard to explain, it's a bad idea. If the implementation is easy to explain, it may be a good idea. Namespaces are one honking great idea -- let's do more of those!

原文发布于微信公众号 - 喔家ArchiSelf(wireless_com)

原文发表时间:2016-12-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

数据科学家知识体系与数据分析完整流程

一个完整的数据分析流程,应该包括以下几个方面,建议收藏此图仔细阅读。完整的数据分析流程:1、业务建模。2、经验分析。3、数据准备。4、数据处理。5、数据分析与展...

3948
来自专栏AI研习社

谷歌公布视频内容搜索 API 等 | 开发者头条

谷歌收购大数据竞赛平台 Kaggle 谷歌公布新机器学习 API:从视频中识别物体 Facebook 开源新一代机器学习 GPU 服务器 Big Basin ...

3005
来自专栏大数据挖掘DT机器学习

学习Python:做数据科学还是网站开发?

本文的英文原文地址是:Python for Data Science vs Python for Web Development 译者:EarlGrey@co...

39815
来自专栏PPV课数据科学社区

学习Python:做数据科学还是网站开发?

本文的英文原文地址是:Python for Data Science vs Python for Web Development,发布时间是10月29日。译者一...

2524
来自专栏PPV课数据科学社区

7大板块 组成数据分析师的完整知识结构

作为数据分析师,无论最初的职业定位方向是技术还是业务,最终发到一定阶段后都会承担数据管理的角色。因此,一个具有较高层次的数据分析师需要具备完整的知识结构。 1...

3584
来自专栏程序员的知识天地

知识都是公开的,程序员水平相差巨大的因素有哪些

为一个程序员,我深感有网络的好处。遇到什么难题,上网搜索一番,一般能找到解决办法,或者启发。于是有时忍不住感想,既然各种知识都是公开的,是不是每个程序员的表现都...

1213
来自专栏大数据

大数据对你来说意味着什么?

毋庸置疑,现如今是属于大数据(Big Data)的,革命性的时代。从社交媒体到企业,每时每刻都在产生大量的数据。无所作为,从而把这样的宝藏白白浪费掉是及其愚蠢的...

47312
来自专栏CDA数据分析师

【干货】数据分析师的完整知识结构

作为数据分析师,无论最初的职业定位方向是技术还是业务,最终发到一定阶段后都会承担数据管理的角色。因此,一个具有较高层次的数据分析师需要具备完整的知识结构。 1....

2026
来自专栏PPV课数据科学社区

为什么说你的数据不是大数据?

言必称大数据的时代,让我们多少有些“审美疲劳”。但如果严格按照大数据的定义来判断,相信大多数公司是根本不存在大数据问题的。你也许有很多数据,但那并不意味着就是大...

3469
来自专栏钱塘大数据

【干货】数据分析师的完整流程与知识结构体系

导读:一个完整的数据分析流程,应该包括以下几个方面,建议收藏此图仔细阅读。完整的数据分析流程:1、业务建模。2、经验分析。3、数据准备。4、数据处理。5、数据分...

28811

扫码关注云+社区