# 7x24 AI 生产线：高德如何构建无人值守的研发交付闭环

> AI专家杨夕凯现任职高德地图，担任智能应用与基建平台负责人，先后负责动态数据、AI 导航、智能应用及基建平台等业务方向。其长期参与的工程方向包括地图数字孪生、空间智能、AR/数字人、AI 导航算法模型，以及支撑千亿级数据的端云一体化基础设施与工业级 AI 研发体系建设。
>
> 以下内容整理自高德技术官方微信公众号发布的「超级应用的 AI 原生研发模式探索」系列文章，重点梳理其所在团队在 7x24 AI 生产线、AI 全托管 CI/CD、Self-Healing 自修复与 Benchmark 评测体系方面的实践路径。

在超级应用的复杂工程环境中，AI 编码工具已经能够显著提升代码生成速度，但真正的瓶颈并未消失，而是从「人写代码慢」转移到「人盯 AI 的成本高」。当 Coding Agent 开始承担端到端开发任务时，如果构建失败仍需人工诊断、测试失败仍需人工修复、发布决策仍需人工审批，那么 AI 的产能释放就会被人的在线时间锁死。

高德智能应用与基建平台团队在「超级应用的 AI 原生研发模式探索」中给出的解法，是建设一条 7x24 AI-Native 生产线：人定义规则、边界与验收标准，AI 在规则内自主执行编码、构建、测试、修复、部署与经验沉淀，形成无人值守的研发交付闭环。

## AI 全托管：从「人盯 AI」到「AI 盯 AI」

传统 AI Coding 模式下，工程师虽然用上了代码生成工具，但工作方式往往变成「以前盯代码，现在盯 AI」。AI 开工的前提是人在线，AI 卡住后需要人补上下文，AI 产出后需要人集成、调试、补测试。这种模式下，单人同一时间通常只能推进一个任务，效率提升更多是局部提效，而不是生产模式变化。

AI 全托管模式要解决的核心问题，是让 AI 从「需要人实时在场」变成「可被异步验收」。工程师在下班前提交一条需求描述，托管系统自动完成任务理解、任务拆解、编码实现、测试验证与提交 CR；第二天早上，工程师面对的是完整的 PR、测试报告和变更说明，而不是尚未集成的代码片段。

这一模式的关键架构是自监控循环，即 Self-Monitoring Loop。Coding Agent 负责编写代码，监督 Agent 负责全程监控执行状态。当执行卡住时，监督 Agent 自动恢复；当缺少上下文时，监督 Agent 自动拉取相关信息；当任务完成时，系统输出可审查的 PR 与测试报告。

这种设计带来三个变化：

1. AI 的有效生产时间从工程师的 8 小时工作日扩展到 7x24 小时。
2. 工程师从执行操作转向审查决策，单位注意力可以覆盖更多并行任务。
3. 交付物从代码片段升级为可合并的完整 PR，减少人工集成成本。

该团队在落地时设定了较克制的边界：不重新造一套 Agent，而是复用已有成熟 Coding Agent 能力；不搭建独立云平台，而是优先使用本地工具链；不追求大而全，而是聚焦「能输出可合并 PR」这一核心交付闭环。这种最小可行边界让系统能够以周为单位迭代验证。

从材料披露的信息看，全托管模式能够成立，依赖三个条件同时成熟：模型能够稳定完成长序列任务；工具链能够让 AI 自己写代码、运行、观察结果并作出判断；平台本身已经具备真实工程师验证过的 Coding Agent 基础，只需增加托管调度层。

## Agent 驱动 CI/CD：流水线从规则引擎变成语义执行系统

传统 CI/CD 流水线本质上是规则驱动的自动化管道：触发条件、执行逻辑、失败处理大多依赖人工预设。当 AI Agent 以 7x24 节奏持续提交代码时，这种模式的局限会被放大。条件组合复杂、人工响应延迟、运维经验难以沉淀，都会成为无人化交付的瓶颈。

高德团队的做法，是把 CI/CD 流水线升级为 Agent-aware 体系。其核心不是继续增加 if-else 规则，而是让 AI 理解每一次提交的意图，并据此决定构建、测试与发布策略。

在这一体系下，AI 会对代码提交进行语义解析，并结合依赖图谱计算影响范围。例如，UI 文案修改可以只跑 UI 相关回归；核心模型变更则扩大测试范围并触发性能基准测试。功能新增、Bug 修复、性能优化、安全补丁、纯重构等不同类型提交，会触发不同的验证路径。

这种语义化触发替代了原本需要工程师在 GUI 中手动配置的规则。流水线不再只是执行固定脚本，而是根据当前上下文动态决定「构建什么、验证什么、防控什么」。

在多端场景中，AI 还会协调 Android、iOS、HarmonyOS 多平台并行构建，处理条件编译与签名差异，并在构建后执行多端一致性校验。对于超级应用而言，这类跨平台构建原本需要大量人工配置和重复操作，而 Agent 化流水线将其纳入统一交付链路。

流水线无人化还包括发布决策自动裁决。系统基于架构合规、安全扫描、性能回归等质量门禁形成多维评分，由 AI 判断变更是否可以进入下一环节。只有超出自动处理能力的问题，才会进入人工审查，并附带诊断报告与已尝试方案。

为了支撑这种持续决策，流水线维护一个全局上下文，覆盖代码层、执行层、历史层与环境层：

- 代码层：变更语义、影响范围图谱。
- 执行层：各步骤状态、产出物。
- 历史层：成功率、常见失败模式、性能基线。
- 环境层：集群资源利用率、队列深度。

上下文通过标准化协议在各环节间增量流转并自动压缩摘要，使 AI 在每个决策节点都能获得足够完整的信息视野。

## Self-Healing 自修复：构建失败不再等待人工介入

7x24 生产线能否真正无人值守，关键不在正常路径是否顺畅，而在异常路径是否能自动闭环。构建失败、测试失败、依赖缺失、运行时异常，都是大规模工程中高频发生的问题。如果每次异常都需要人工介入，生产线仍然无法脱离人的在线时间。

高德团队在生产线中引入 Self-Healing 自修复机制，将失败处理分为三层。

第一层是静态诊断。系统分析构建日志和错误信息，针对编译错误、类型不匹配、依赖缺失等确定性问题直接生成修复补丁。这类问题通常有明确错误信号，适合自动化处理。

第二层是动态推理。对于运行时异常、测试断言失败等需要上下文理解的问题，Agent 会回溯代码变更历史、分析调用链路、参考相关测试用例的期望行为，再推理修复方案。这一步比静态诊断更复杂，因为它需要理解错误背后的业务语义和系统行为。

第三层是验证闭环。修复补丁提交后，系统自动触发新一轮构建和测试。如果一次修复未解决问题，Agent 会基于新的错误信息进行二次诊断，并在可配置的最大尝试次数内继续修复。超过限制后，系统才上报人工团队，并附带完整诊断报告与已尝试方案。

这种机制的价值不只是减少人工介入次数，更重要的是把失败处理变成生产线的内置能力。失败不再意味着流水线停止，而是进入「失败、诊断、修复、验证」的自愈循环。

在测试环节，系统还会区分真实 Bug 与 flaky test。对于不稳定测试，Agent 会识别其与真实代码问题之间的差异，避免无谓修复循环消耗资源。对于反复失败的测试用例，系统会进行聚类分析，识别共同根因，从而从修复个例走向消除类别。

## 质量效率双飞轮：质量门禁前移，避免 AI 速度制造系统熵增

AI 高速生成代码的另一个风险，是无约束产出导致系统复杂度上升。命名风格不一致、架构模式混用、隐式依赖蔓延、重复代码堆积，都会让短期速度红利被长期维护成本吞噬。因此，7x24 生产线不能只追求自动执行，还必须内置质量约束。

高德团队将质量保障从事后检查前移到事中防控。每一个进入流水线的变更都要通过多层 AI 质量门禁，包括架构合规性检查、安全漏洞扫描和性能回归检测。

架构合规性检查关注代码变更是否突破模块边界、依赖方向是否正确、接口契约是否兼容。这一步直接对抗 AI 生成代码可能带来的熵增问题，因为无约束生成往往倾向于用最短路径解决当前问题，而忽略整体架构一致性。

安全扫描集成 SAST/DAST 工具链，对新增代码进行实时分析。Agent 不仅识别已知漏洞模式，也结合上下文分析潜在风险，例如某个 API 调用是否可能被用于注入攻击，某个数据处理函数是否存在越权访问可能。

性能回归检测则针对关键路径变更运行性能基准测试，对比变更前后的指标变化。性能劣化超过阈值的变更会被自动拦截，并附带分析报告和优化建议。
在门禁之外，生产线还会持续收集构建、测试、部署过程中的数据，形成质量数据集。Agent 对这些数据进行聚类分析，识别频繁失败的测试用例、构建失败根因和代码质量趋势。通过这种方式，系统能够从「修复一个实例」进化到「消除一类问题」，并将修复模式沉淀为新的质量规则。

这就是质量效率双飞轮的逻辑：质量提升减少返工和故障处理时间，从而提升效率；效率提升又释放更多资源用于质量建设，进一步推动质量提升。两者形成正反馈，而不是彼此消耗。

## Benchmark 评测体系：从任务完成率走向过程质量与架构一致性

无人值守交付并不意味着放弃度量。相反，当 AI 承担更多执行工作时，评测体系需要更完整地回答：AI 是否真的按规范交付？生成速度是否以架构漂移为代价？流水线是否具备长期可治理能力？

高德团队在 AI-Native 交付中引入面向执行过程的 Benchmark 评测，并结合结果导向评测，形成服务于规范迭代和交付治理的评测框架。

评测首先覆盖典型工程场景，而不是只测试孤立代码片段。材料中提到的场景包括 CRUD 类开发任务、复杂业务逻辑任务、跨模块协作任务、性能优化与重构任务。这些任务来源尽量贴近真实工程活动，例如真实 Issue 修复、CI 失败修复、重构需求和规范升级。

在指标设计上，评测不只看测试通过率，还包含多个维度：

- 结果指标：测试结果通过率、首次生成成功率。
- 结构指标：架构一致性得分、代码规范符合率。
- 过程指标：长时程执行中的上下文冗余、重复调用、无效步骤和过长执行链。
- 控制指标：系统可解释性、可中断性、可纠正性与可回滚性。

这种多维指标体系的意义在于，它把「AI 能不能完成任务」和「AI 是否以可治理方式完成任务」区分开来。对于超级应用而言，后者往往决定系统能否长期维护。

Benchmark 也不是一次性静态测试集，而是随规范、模型、工具链和项目形态变化持续扩展。任务会增量引入，场景会逐步覆盖端云协同、多 Agent、跨团队协作和高风险改动，指标体系也会在结果稳定后强化过程质量与控制保持维度。不同规范版本、Skill 配置和 Agent 编排方式可以进行纵向比较，用于判断哪些约束真正降低了返工与漂移，哪些流程提升了协作效率。

## 端云一体基建与统一规范：无人值守生产线的地基

7x24 生产线并不是孤立存在的流水线改造。它能够稳定运行，依赖两个前置基础：AI-Native 端云一体基建，以及 Spec as AIOS 的统一规范体系。

在能力底座层面，高德团队将端侧基础组件、高阶套件、工程模板，与云侧服务契约、接口协议、数据模型组织成机器可理解的标准表达。端侧采用「代码 + 知识规范 + Skills」三层结构，服务端则通过全自动流水线，把后端服务从源码自动转译为 Agent 可消费、可验证、可持续演进的 Skill。

这一层解决的是「AI 能不能找到正确能力、能不能正确调用、能不能可靠验证」的问题。如果接口语义模糊、文档碎片化、依赖关系隐式存在，AI 即使生成速度很快，也会在拼装基础设施时产生大量返工和幻觉。

在规范层面，团队将规范重构为 AI 可执行的操作系统。其核心包括仓库唯一真源、规范驱动开发和 AI 执行一致性。代码仓库不仅承载功能实现，也承载架构事实、业务规则和文档约束。AGENTS.md、README.md、架构文档、模块说明与代码共存，并通过自动化门禁验证一致性。

规范体系采用三级分层：全局规范层定义跨项目基线，项目规范层定义仓库操作手册，模块规范层提供局部上下文。AI Agent 执行任务时，按照从近到远的优先级参考模块规范、项目规范和全局规范。这种结构让多 Agent 并行生成时仍能保持架构风格、代码质量和文件组织的一致性。

生产线则在这两个基础之上释放产能。底座提供可复用积木，规范定义拼法，流水线负责 7x24 持续执行。三者共同构成从「AI 辅助写代码」到「AI 自主工业级交付」的完整路径。

## 从自动化流水线到自治研发系统

高德团队的 7x24 AI 生产线，并不是简单把 AI 塞进 CI/CD，而是重新定义研发流水线中的人机边界。人不再负责逐步触发、逐步审查和逐步修复，而是定义规则、设计架构、把控方向和验收结果；AI 则在规则内持续执行编码、构建、测试、修复、发布和经验沉淀。

这一模式的价值，不只在于延长生产时间，更在于把研发交付从依赖个人在线时间的协作系统，改造成可异步运行、可自动修复、可持续评测的自治系统。对于数亿用户、数百万行代码、数十团队协同的超级应用而言，这种改造的意义不仅是提效，也是控制系统熵增、沉淀工程知识、降低长期维护成本。



AI专家杨夕凯现任职高德地图，担任智能应用与基建平台负责人，先后负责动态数据、AI 导航、智能应用及基建平台等业务方向。其长期参与的工程方向包括地图数字孪生、空间智能、AR/数字人、AI 导航算法模型，以及支撑千亿级数据的端云一体化基础设施与工业级 AI 研发体系建设。

7x24 AI 生产线：高德如何构建无人值守的研发交付闭环

杨夕凯现任职高德地图，担任智能应用与基建平台负责人，先后负责动态数据、AI 导航、智能应用及基建平台等业务方向。其长期参与的工程方向包括地图数字孪生、空间智能、AR/数字人、AI 导航算法模型，以及支撑千亿级数据的端云一体化基础设施与工业级 AI 研发体系建设。

人工智能

运维

开发工具

高德构建7x24 AI-Native生产线，实现无人值守研发交付闭环。通过AI全托管、Agent驱动CI/CD、Self-Healing自修复与多维Benchmark评测，将工程师从执行者转变为规则定义与验收决策者，解决AI产能释放受限于人工在线时间的问题，提升交付效率并控制系统熵增。

2026上云采购 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

7x24 AI 生产线：高德如何构建无人值守的研发交付闭环-腾讯云开发者社区-腾讯云

7x24 AI 生产线：高德如何构建无人值守的研发交付闭环

7x24 AI 生产线：高德如何构建无人值守的研发交付闭环

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐