谷歌Nicole Forsgren指AI加速编码反而加剧交付瘫痪

Nicole Forsgren: Leading high-performing engineering teams in the age of AI - The Pragmatic Summit — The Pragmatic Engineer

The Pragmatic Engineer

生成式AI仅打通了内环编码却导致下游审查与发布流程严重堵塞,企业若不在外环暴露系统信号并重塑审批机制,单纯堆砌代码只会拖垮交付效率并诱发认知过载。

AI-assisted summary of Nicole Forsgren: Leading high-performing engineering teams in the age of AI - The Pragmatic Summit — original source. Check the original for full context.

Source published:

Key ideas

  • 生成式 AI 正在以前所未有的速度加速内环编码(Inner Loop),但下游的安全审查、发布和部署等外环流程(Outer Loop)依然严重依赖人工决断,导致代码生成越快反而越难真正交付上线。 (1:39)
  • 快速反馈虽然长期被奉为敏捷工程的圭臬,但超高频的 AI 响应迫使工程师在短时间内数十次重构心智模型,极易迅速耗尽人类每日仅能维持 3 至 4 小时的深度工作精力。 (9:09)
  • 度量 AI 研发效能不应局限于代码行数或 PR 数量,而应依托涵盖满意度、绩效、活动量、协作与流动的 SPACE 框架,通过设定防护栏来支持针对风险的快速验证决策。 (17:53)
  • 工程管理者在面对剧烈技术变革时应组建跨公司的“个人董事会”建立私密交流渠道,通过同行互助对齐价值观,从而有效抵御职业倦怠并校准战略判断。 (26:52)

Detailed notes

## Background 本内容由 YouTube 频道 The Pragmatic Engineer 于 2026 年 3 月 22 日发布,记录了在 The Pragmatic Summit 上主持人 Gergely Orosz 与《Accelerate》及新书《Frictionless》作者、现任职于 Google 的 Nicole Forsgren 的深度对谈。视频重点探讨了在 AI 时代下,技术领导者应如何带领高效能工程团队应对内外环瓶颈与度量体系重构。

## TL;DR 对谈直面了生成式 AI 带来的最大工程反差:IDE 内环代码生成极速飙升,但受制于代码审查、发布部署及组织流程债务等外环瓶颈,端到端的最终交付依然极其迟缓。Nicole 拆解了 DevEx 框架中的认知负荷与心流机制,警告超快速反馈可能导致工程师心智模型频繁重构而筋疲力尽,并强调团队心理安全感与真实纠偏是纯靠迎合用户的 AI 无法替代的。针对高管对投资回报率的追问,她重申了 SPACE 框架的系统化度量思维,主张以基于风险的决策代替非黑即白的提速,并提出建立“个人董事会”等管理变革策略以实现面向未来的无摩擦组织。

## Atmosphere & style 整场对谈兼具思想领袖的宏观敏锐度与一线实战者的犀利幽默,台风轻快自如、干货密集。Nicole Forsgren 频繁用生动的比喻调侃管理层“8小时深度工作”的幻想和 AI 毫无原则的附和,引得全场会心微笑;而在剖析流程痛点与职业倦怠时,又展现出极其严谨坦诚的研究者底色。两位资深从业者的思想碰撞既消解了行业在 AI 浪潮下的技术焦虑,又为迷茫中的工程领导者注入了清醒而坚定的破局信心。

## Bulletin - [01:39](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=99s) 生成式 AI 正在以前所未有的速度加速内环编码(Inner Loop),但下游的安全审查、发布和部署等外环流程(Outer Loop)依然严重依赖人工决断,导致代码生成越快反而越难真正交付上线。 - [09:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=549s) 快速反馈虽然长期被奉为敏捷工程的圭臬,但超高频的 AI 响应迫使工程师在短时间内数十次重构心智模型,极易迅速耗尽人类每日仅能维持 3 至 4 小时的深度工作精力。 - [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) 度量 AI 研发效能不应局限于代码行数或 PR 数量,而应依托涵盖满意度、绩效、活动量、协作与流动的 SPACE 框架,通过设定防护栏来支持针对风险的快速验证决策。 - [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) 工程管理者在面对剧烈技术变革时应组建跨公司的“个人董事会”建立私密交流渠道,通过同行互助对齐价值观,从而有效抵御职业倦怠并校准战略判断。

## Key takeaways - [00:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=9s) AI 时代研发效能度量变得更加复杂,但彻底放弃度量将导致工程管理沦为纯凭直觉的主观推测,而管理层绝不可能接受 AI Agent 也依凭感觉行事。 - [01:39](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=99s) 内环编码加速与外环交付瓶颈形成了“在干柴上浇汽油”的困境,局部高产出彻底冲垮了原有脆弱的人工审核与合规流程。 - [02:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=175s) 企业在分支管理、Cherry-pick 补丁挑选以及候选构建上的群体决策黑盒,根本无法承接上游数倍的代码吞吐量扩展。 - [04:14](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=254s) 传统科层组织的流程惯性(如设备安全认证、数据库权限审批滞后)与 AI 时代新员工“首日即提交高频代码”的现状发生剧烈错位撞车。 - [07:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=420s) DevEx 框架的核心原则是“对人类有益的往往也对系统有益”,规范的代码、清晰的文档和严格的 API 能够同时降低人类与 AI Agent 的外在认知负荷。 - [09:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=549s) 超高速的 AI 反馈循环是一把双刃剑,频繁的模型打扰与过快的输出打破了工程师的思考节奏,促使部分资深开发者主动关闭即时通知以维系注意力。 - [12:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=720s) 进入心流状态不仅取决于高效工具,更依赖团队内的心理安全感以及清晰的目标范围;AI 永远迎合人类的特性无法取代真实队友指出思维盲区的纠偏价值。 - [14:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=840s) 人类在心流中写错方向和经历试错绝非浪费时间,亲自下场挣扎是建立深层系统认知与清晰心智模型不可替代的必经之路。 - [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) 高管对 AI 投资回报与效能的拷问没有单一答案,度量必须超越单纯的代码产出计数,转而依托 SPACE 框架衡量端到端价值流。 - [18:50](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1130s) 高绩效工程团队并非无脑牺牲质量追求速度,而是利用度量指标建立防护栏,进行快速原型与低成本试错的基于风险的决策(Risk-based decisions)。 - [20:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1255s) 非技术人员借助 AI 自建内部工具降低了业务门槛,但也打破了传统的合规防线,促使安全防护由走过场培训转向全员参与的实战防御机制。 - [22:38](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1358s) 在缺乏统一标准的初期,采纳度(Adoption)与交互度(Engagement)是观察开发者对工具满意度及任务复杂度的有效战术切入点。 - [24:54](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1494s) 来自高管明确背书的试验许可(如分配 10% 专项探索时间)能够打消一线工程师对使用 AI 工具被问责的恐惧,建立敢于试错的组织文化。 - [27:20](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1640s) 过度辛劳只是引发身体疲劳,价值观脱节(Values not aligned)才是导致工程领导者职业倦怠的核心根源,需要借助同行网络来重构认知对齐。 - [28:31](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1711s) 打造未来“无摩擦组织”与实现 Agent 自主运维的前提,是必须先将工程系统的各种信号与瓶颈具象化,摆脱将资深工程师经验当作临时缓冲器的依赖。 - [31:18](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1878s) 建立跨公司的私密后门交流渠道(Back Channel),是技术领导者在快速多变、高度依赖上下文的 AI 转型期校验认知、对抗不确定性的关键工具。

## Detailed walkthrough ### [00:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=9s) 新书《Frictionless》与在 Google 探索“Agent 体验”及效能度量

主持人 Gergely Orosz 开场欢迎了 Nicole Forsgren,并祝贺她的新书《Frictionless》正式出版。上次两人长篇对谈时该书尚未面世,如今 Nicole 已入职 Google 展开全新的工作。当被问及最近在忙些什么、又有哪些问题让她“夜不能寐”时,Nicole 笑着感慨时间根本不够聊。她指出,她目前依然专注于如何改进人们构建软件的方式;早些时候大会讲者 Laura 曾半开玩笑地提到:“如果不能再叫它‘开发者体验’(Developer Experience),那就改叫‘Agent 体验’(Agent Experience),然后一切就能跑通了。”她现在核心思考的正是如何让 AI Agent 变得更聪明、更易于协作。

与此同时,软件研发中最棘手的难题依然是“如何衡量生产力”。正如上一场分享中 Martin 所言,原本的研发度量指标就已经漏洞百出,而 AI 的到来让度量变得“格外糟糕”。Nicole 强调,开发者往往讨厌生产力指标,因为指标很容易变成管理层对工程师的攻击武器;但如果彻底放弃度量,工程管理就会沦为纯粹的“感觉”(vibes)。团队在向上汇报时,总会遇到某些总监或副总裁凭直觉拍脑袋做决定。面对管理层,Nicole 直言:

> “他们似乎并不太能接受如果 Agent 也是全凭直觉来行事。”(“They don't seem to be super open to it if agents just go on gut feel.” —— Nicole Forsgren)

因此,建立某种客观、可靠的度量信号在当下显得尤为关键。

---

[01:39](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=99s) 内环加速与外环瓶颈:在干柴上浇了一桶汽油

Gergely 指出,《Frictionless》一书的开篇(或封底介绍)点出了一个极具反差的行业现实:生成式 AI 正在以前所未有的速度帮助人类生成代码,但软件的最终发布与交付(shipping)却依然无比缓慢。为什么代码写得越快,上线反而越慢?这中间究竟发生了什么?

Nicole 解释说,生成式 AI 兴起之初,所有人的注意力都本能地扎在编码环节——也就是所谓的“内环”(inner loop)。这是因为在 IDE 里实时敲代码、看 AI 生成补全是肉眼可见的,能给人带来极其强烈的多巴胺刺激。然而,当写完的代码进入外环准备上线时,原本那些大家心知肚明、得过且过的流程问题就彻底暴露了。以往安全审查、上线审批、发布部署流程通常只由少数几个人处理,偶尔代码评审慢一点、堆积几天,系统勉强还能运转;然而,当 AI 让前端产出呈爆发式增长时,既有流程瞬间不堪重负。正如大会讲者 Tiwa 所说,团队现在正被迫以一种前所未有的显性方式去追逐约束与瓶颈。Nicole 生动地打了个比方:

> “好吧,现在我们只是往火上浇了汽油,所以这一切都变成了大问题。”(“Well, now we just threw gas on the fire and so all of that is a problem.” —— Nicole Forsgren)

无论是技术系统、组织流程还是负责把关的人类,在急速放大的吞吐量面前都陷入了全面瘫痪。

```mermaid flowchart LR accTitle: Inner Loop vs Outer Loop Bottlenecks accDescr: Diagram contrasting high-velocity AI inner loop with constrained human outer loop delivery processes.

subgraph InnerLoop["快速内环 (Inner Loop)"] A["开发者 + GenAI 编码"] -->|"多巴胺激增 / 瞬间生成大量代码"| B["PR / 代码提交"] end

subgraph OuterLoop["受阻外环 (Outer Loop)"] B --> C["人工安全与代码审查"] C --> D["发布/打包决策与 Cherry-pick"] D --> E["生产部署与交付上线"] end

classDef fast fill:#dcfce7,stroke:#16a34a,stroke-width:2px; classDef slow fill:#fee2e2,stroke:#dc2626,stroke-width:2px; class A,B fast; class C,D,E slow; ```

---

[02:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=175s) 评审与发布的黑盒:人工仲裁无法应对规模化压力

针对究竟是哪些具体环节拖慢了交付速度,Nicole 拆解了代码评审(Review)与发布部署(Deployment & Release)中的卡点。首先是代码审查:人类原本就是评审链路中最脆弱的瓶颈,而在 AI 介入后情况反而恶化了。过去很多公司针对较为简单的常规代码变更搭建了自动化审查流程,但由于担心 AI 生成代码的可靠性与可验证性,部分公司索性撤掉了自动化把关,重新强制要求人工逐行复核,导致评审负担发生恶性转移。

另一个重灾区是发布与部署。对于许多不了解“香肠是如何做出来的”工程师而言,发布流程就像一个黑盒。在许多传统企业中,挑选候选构建版本(candidate build)、人工验证、在各分支间进行 Cherry-pick 补丁挑选,再重新打包发布,高度依赖少数几个资深工程师的人工经验和群体决断。Nicole 强调:

> “如果你只有一两个人或极少数几个人试图进行群体决策和群体理解,这套机制是根本无法规模化扩展的。”(“And that doesn't scale if you have one or two or a handful of people trying to make group decisions and do group sense making.” —— Nicole Forsgren)

当上游源源不断涌入数倍的变更时,这套依靠人工“肉身接弹”的发布机制便不可避免地崩塌了。

---

[04:14](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=254s) 组织流程债务与“第一天提交代码”的错位撞车

Gergely 提及《Frictionless》书中记录的一个真实案例:一位新员工入职某公司,在 AI 工具的辅助下当天就交出了第一份代码贡献,结果该提交硬生生搁置了两三周,原因仅仅是代码审查流程没人注意到它,且该员工尚未获得数据库访问权限。对于那些习惯了快速迭代的初创团队来说,这种长达数周的等待令人难以置信。

Nicole 犀利地指出,技术在进化,但科层体制的惯性依然根深蒂固:

> “我认为有一点我说了可能大家并不会感到意外:组织依然会按老样子继续组织下去。”(“I think one thing I'm saying that probably won't surprise a bunch of folks here is organizations are still going to organize, right?” —— Nicole Forsgren)

为了追求形式上的标准化和安全合规,企业设立了严密的审批流程(例如必须由某个特定负责人签字),而这些机制往往正是最大的减速带。在过去,新员工入职两周没有数据库权限是普遍被接受的“潜规则”,因为在传统开发节奏下,90% 的人前两周本来就写不出多少生产代码。知名公司如 Etsy 早年就以“入职第一天必须向生产环境提交代码”著称,但那是整个基础设施和安全权限全面配套的结果。如今大部分传统公司根本没有做好这种准备。Nicole 分享了一个真实案例:某公司的一名实习生由于流程审批和供应链脱节,入职前两周都没领到正式工作电脑,只能使用临时备用机;结果该实习生在备用机上借助 AI 完成并提交了大量代码,但因为机器来源和预设的安全凭证不匹配,系统根本无法识别和验证他在高度敏感核心业务上的权限,导致后续处理陷入彻底死锁。以往掩盖在低速开发下的制度摩擦,如今在 AI 聚光灯下暴露得一览无余。

- 很多企业只把 AI 当作内环编码辅助工具,尚未考虑如何将 AI 引入到人际协调与业务流程等外环环节。 - 传统流程默认新员工入职两周处于“适应与配置期”,无法承接首日即交付高频代码的工作形态。 - 硬件与权限凭证(如设备来源校验、数据库访问)未解耦,直接打断了自动化集成的链条。

---

[07:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=420s) DevEx 框架的三要素与 AI 时代的心智负担

Gergely 转向了 Nicole 长期以来的另一项核心贡献——研发效能度量体系。从 DORA 到 SPACE,再到 AI 浪潮前夕推出的 DevEx 框架,Nicole 始终走在度量领域的前沿。Gergely 请她回顾 DevEx 框架的核心构成,特别是其中的“认知负荷”(Cognitive Load)在 AI 时代如何发挥作用。

Nicole 在台下讲者 Laura 的提醒下,清晰阐释了 DevEx 框架的三大互锁支柱:心流状态(Flow State)、认知负荷(Cognitive Load)和反馈循环(Feedback Loops)。反馈循环是支撑心流状态的生命线;如果开发者提交一个问题或发起一次代码审查需要等待 20 分钟甚至一周,心流就会被无情打断,进而急剧推高认知负荷。认知负荷本质上是大脑处理任务所需的脑力消耗。困难的任务本身需要大量脑力(内在认知负荷),但原本简单的操作不应该平白消耗心智。然而,当工程师被迫重新熟悉遗忘已久的代码库,或者为了完成一件琐事必须在繁琐晦涩的系统里走完上百步人工流程时,无谓的外在认知负荷便会彻底耗尽精力。Nicole 总结道:

> “对人类有益的东西,往往也对系统有益。”(“What's good for humans is good for systems.” —— Nicole Forsgren)

如果一个工程体系拥有结构优良的代码、脉络清晰的文档以及定义严格的 API 接口,那么无论人类工程师还是 AI Agent 都能轻松理解并大幅降低交互摩擦。谈及人类注意力的生理极限时,Nicole 援引了知名学者 Gloria Mark 关于注意力聚焦的研究,指出人类在一天之内的真正高度专注时间其实极为有限。

[09:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=549s) 认知负荷与超快反馈循环的双刃剑

深度工作(Deep work)在人类的生理机制上有着严格的极限。Nicole Forsgren 直言,人类每天通常只能支撑 3 到 4 个小时真正高强度的深度工作。面对管理层经常提出的要求,她调侃道:“which always makes me laugh when executives are like, 'We need 8 hours of intense work.' And I'm like, 'Not with humans.' That's Our brains don't do that.”(管理层总说‘我们需要 8 小时的高强度工作’,这总让我发笑,我的反应是‘对人类来说不可能’,我们的大脑根本做不到)。在引入 AI 与自主智能体(Agents)之后,这有限的几个小时该如何分配成为了一个全新的命题。过去工程师通过封锁日历、专心致志做一件事来进入深度思考;而如今的大语言模型和智能体却极具打扰性,频繁弹出通知并介入思路,导致组织与个人必须重新审视如何管理认知负荷(Cognitive load)。

更具戏剧性的是反馈循环加速带来的矛盾。以往在软件工程领域,快速反馈与持续迭代一直被奉为圭臬,团队总是在追求更短的反馈回路;然而现在借助像 Claude Code 这样响应极快的模型,反馈来得太快,工程师反而极度疲惫,认知负荷暴增。Nicole Forsgren 解释称,这并非反馈变快本身不好,而是工作的性质彻底改变了。以往如果对某个代码库有疑问,等待他人回复期间可以稍作停顿并维持现有思路;但现在面对智能体秒级的输出,工程师被迫在 30 分钟内重构数十次自己的心智模型(Mental model)。更有甚者,模型会在人尚未准备好时强行插入代码补全,打断正在进行的逻辑构想。因此,许多人开始选择在需要专注撰写构思时主动关闭 AI,等写完后再让它进行审查。

这种摸索新型人机交互节奏的现象正在广泛发生。对话中提到,HashiCorp 创始人 Mitchell Hashimoto 采取的工作流便是在屏幕侧边常驻一个运行中的 Agent,但他彻底关闭了所有通知提醒。他会给智能体派发任务,但完全不在乎它何时完成,只有在自己准备好处理下一步时才会切回窗口查看。整个工程界正在逐步探索在不被工具绑架的前提下,如何找到最适合自己的工作节律。

```mermaid flowchart TD accTitle: AI 反馈加速引发的心智模型重构 accDescr: 展示传统工程等待反馈与 AI 极速反馈对工程师心智模型的影响差异

subgraph Traditional ["传统开发模式"] A1["产生疑问 / 提交变更"] --> A2["外部异步反馈 (存在停顿缓冲)"] A2 --> A3["心智模型平稳推进"] end

subgraph AIAgent ["AI 智能体模式"] B1["派发指令给 Agent"] --> B2["超高速秒级生成 / 代码注入"] B2 --> B3["短时间内连续推翻并重塑心智模型"] B3 --> B4["认知负荷过载与精力衰竭"] end ```

---

[12:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=720s) 心流状态不仅依赖工具:心理安全感与真实反馈

许多人以为有了强大的 AI 工具就能随时随地进入高效的心流状态(Flow state),但 Nicole Forsgren 在她的著作中强调,心流从来都不单单取决于工具链。当被问及在 AI 时代心流的决定因素如何演变时,Nicole Forsgren 给出了一句精辟的断言:“Uh well, tech is easy, people are hard.”(技术其实很简单,棘手的是人)。她指出,进入心流的核心在于真正理解自己在做什么:需要有清晰的方向、确定的目标、界定清晰的范围(Scope),并且深刻理解所做特性的核心目的,这样工程师才能做出明智的技术决策。与此同时,团队内部的心理安全感(Psychological safety)不可或缺,它决定了工程师是否敢于承担技术风险,或是在遇到阻碍时主动向队友求助。

针对 Kent Beck 先前将 AI 拟人化为“神灯精灵(Genies)”的说法,Nicole Forsgren 认为与精灵合作绝不能替代与真实的队友共事。身边拥有一堆 AI 精灵,和拥有一群真实的伙伴完全是两码事——不仅因为人与人之间的交流能量和对话深度不同,更关键的原因在于:AI 永远在顺从你。

Nicole Forsgren 幽默地吐槽 AI 毫无原则的迎合态度:“They just agree with us constantly. I'm always so smart and I'm like I know that was dumb. I know that was very dumb.”(它们总是在附和我们。在它眼里我总是无比聪明,但我心里清楚自己刚才的想法蠢极了,非常蠢)。她坦言自己的学术论文和书籍从未有一篇是单打独斗完成的,她通常在起草大半内容后,迫切需要一个能指出逻辑漏洞的人来当头棒喝,挑出那些在自己脑海里看似自洽、但在外界看来根本不通顺的盲区。而目前的 AI 工具和 Agent 远没有达到这种协作高度,它们时而猜得准,时而又直接给出一个完全毫不相干的离谱推断。

---

[14:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=840s) 《Frictionless》的写作挫折:试错与心智模型的重塑

为了说明这种协同纠偏的必要性,Nicole Forsgren 分享了自己撰写新书《Frictionless》时的真实经历。她在转型为全职研究员之前曾做了多年的软件工程师,而学术研究人员的写作风格具有极其明显的特质:充斥着海量的背景铺垫、极度严谨的细节描述,往往要翻到第 105 页才开始切入正题。在刚开始动笔写《Frictionless》时,她洋洋洒洒写满了好几个章节,详细讲解了非研究人员应该如何进行科学调研,比如怎样设计严谨的问卷调查、如何开展用户访谈。

整整写了 100 多页之后,她猛然惊醒:这些内容虽然无比详细且清晰易懂,但根本没有任何读者想看这些学术方法论。于是她果断将这 100 页稿件彻底扔掉,并立刻联系了 Abi Noda,问他愿不愿意合著这本书,并直截了当地拜托道:“‘do you want to write this book? I think I have an idea of the direction I'm going. Also, tell me if I get in a rabbit hole.’”(‘你想一起写这本书吗?我大致知道方向该往哪走。另外,如果我一头钻进死胡同,请务必拉住我。’)。最终,那些原本冗长的方法论被重塑为附在书末的操作手册(Workbooks),通过填写表格和清单的形式,变得极其直观且具有实操性。Nicole Forsgren 坦言,自己在进入心流时很容易写错受众群体或选错审视视角(Altitude);这与现在使用 Agent 极其相似,有时你给出的指令过于宽泛,实际上本应提供更多细节,等一个小时后发现代码跑偏时为时已晚。

现场讨论随之探讨了一个发人深省的问题:在 AI 能够无限生成内容的时代,人类在心流中写错方向、花费精力试错的过程真的是在浪费时间吗?Nicole Forsgren 坚信这种付出是无法被跳过的: - **概念表达的必经之路**:如果不亲自下场尝试和挣扎,人类根本无法清晰地阐述出核心问题、论点或想法。 - **系统认知的建立**:过去工程师因为亲手编写系统的每一行代码,即使面对庞大的架构,也大致能对核心模块了然于胸并轻松在白板上画出逻辑;如今代码瞬息万变,单靠 AI 一键生成(One-shotting)根本无法在人类脑中留下心智模型。 - **辅助思考的可视化**:Nicole Forsgren 提到自己是视觉型学习者,几年前在 AI 刚兴起时,她就不断要求模型生成 Mermaid 图表,强制 AI 充当白板与她一起理清思路,因为人类的大脑必须经历这种互动过程才能真正理解复杂的系统。

---

[17:05](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1025s) 高管与董事会的灵魂拷问:AI 效能该如何度量?

在建立心智模型和适应工程范式转变的同时,工程管理团队正面临着来自现实商业层面的巨大压力。无论是 CEO、董事会还是投资人,所有人都在反复拷问:企业为这些 AI 工具和模型支付了昂贵的账单,甚至已经看到了效率提升的某些迹象,那么到底该如何衡量(Measure)它的投资回报与工程效能?

针对管理层在参加完峰会后必然会向技术负责人抛出的问题——“Nicole 到底说了什么?我们究竟应该追踪哪些指标?”——Nicole Forsgren 开玩笑地给出了最经典也是最不可避免的答案:“‘It depends. It is always it depends. We can all go into consulting now and just make a ton of money.’”(‘这取决于具体情况。答案永远是这取决于具体情况。我们现在全都可以转行去做咨询赚大钱了。’)。尽管是一句玩笑话,但这也严肃地揭示了 AI 效能度量没有放之四海而皆准的万能公式,企业必须根据自身的开发瓶颈、交付流程和组织结构来审慎构建指标体系。

[17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) 重新定义生产力:超越代码行数与 SPACE 框架的落地

Nicole Forsgren 探讨了衡量生产力时最根本的提问方式。每当有人问“我是否变得更高效了”时,她的反问总是:“你说的‘高效’到底是指什么?何时能亲眼辨别出它?它又具体呈现为什么形态?”正如代码有“坏味道(code smells)”,生产力同样有其异常表征。许多人习惯诉诸代码行数(lines of code)或 Pull Request(PR)数量,但这类计数往往无法回答核心问题:这是否真正帮助团队更快地将功能交付给最终客户?交付的又是否是正确的功能?一味追求产出只会带来系统性负担——没人会真正希望无休止地堆砌更多的想法、更多的代码行与更多的代码审查。

为了更科学地度量生产力,Forsgren 强调了持续演进的 SPACE 框架的价值: - **S(Satisfaction,满意度)**:开发者对工具、流程与工作状态的整体满意程度。 - **P(Performance,绩效)**:关注最终产出与质量等业务结果。 - **A(Activity,活动量)**:一切可量化的行为计数(如提交次数、构建次数等)。 - **C(Collaboration and communication,协作与沟通)**:涵盖人与人之间以及系统与系统之间的交互与信息流转。 - **E(Efficiency and flow,效率与流动)**:个人的心流状态,或者工作穿透整个系统所需的时间。

Forsgren 指出,当下所有人都在狂热地追求“速率(velocity)”,但若缺乏防护栏(guardrails),粗暴推进只会导致系统崩溃。她引用了其他分会场中关于“牺牲质量换取速度”的讨论,强调优秀的团队从不认为自己是在无脑牺牲质量,而是做出了极具针对性的“基于风险的决策(risk-based decisions)”。他们通过极快速的原型试验,在极小比例的受众上验证信号;即使付出短暂延迟或小概率崩溃的代价,也能在获得数据后迅速回滚。这种通过度量指标支撑的风险决策,打破了非黑即白(“全速推进”或“全面减速”)的极端思维。

“So, like, I think with the right metrics in place, it really helps us make those risk-based decisions versus all fast or all slow.” —— Nicole Forsgren

```mermaid flowchart LR accTitle: SPACE 框架五大维度 accDescr: 展示 SPACE 框架中满意度、绩效、活动量、协作与效率流动的五个互为支撑的度量维度。

subgraph SPACE["SPACE 度量体系"] S["S: 满意度 (Satisfaction)"] P["P: 绩效与质量 (Performance)"] A["A: 行为活动量 (Activity)"] C["C: 协作与沟通 (Collaboration)"] E["E: 效率与流动 (Efficiency & Flow)"] end

S --- P P --- A A --- C C --- E ```

---

[20:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1255s) 非开发者编程潮与安全门槛的演变

现场讨论转向了 AI 工具普及对企业安全格局带来的冲击。随着类似 Claude Code 的工具门槛降低,大量非技术人员也开始尝试自主构建内部工具。对谈中提到前一日小型活动上由 Sentry 联合创始人 David Cramer 分享的真实警示:某家大型上市公司的一名业务开发人员利用 AI 搭建了一个用于分析销售代理数据的工具,功能十分强大,却在配置时无意中将其完全暴露在公网上,幸好在造成严重后果前被安全团队及时拦截。这表明安全培训已经无法停留在开发者每年走过场的“哈欠式(yawn)”合规,而必须转变成全员参与、高互动性的实战防御。

与此同时,安全本身的定义与合规边界也在发生深刻重塑。Forsgren 回顾道,部分国家和行业的合规监管长期要求代码合并部署前必须经过“至少两人审查”。过去一二十年间,行业逐步推动了演进,使通过一套严格的自动化检查与测试流水线能够等同于“其中一人”。然而随着自主 AI Agent(智能体)的介入,监管与技术边界再次模糊:AI 审查是否能算作一人?当整个发布流程被 Agent 接管时规则该如何制定?这些都需要工程领导层在保持系统一致性的同时,主动向监管机构与行业开展理念普及。

“Well, what if what happens when we have agents now? Right? And so I think some of this will be important for us to kind of discover and think about really creative ways to solve the problem in ways that are meaningfully consistent and also educate the rest of not just the industry but regulatory fields, right?” —— Nicole Forsgren

---

[22:38](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1358s) 战术度量:以采纳度与敬业度为起点

针对工程副总裁(VP of Engineering)在面对供应商工具(如 Claude Code、Codex 等)铺开时应如何制定度量战略、同时避免侵犯开发者隐私并过滤垃圾数据的问题,Forsgren 给出了务实建议。尽管她坦言自己一向不喜欢单纯把“采纳度(adoption)”当成核心指标,但在实际落地中,这往往是获取早期信号的最佳切入点。开发者是一群“极其挑剔可爱的人(gloriously cranky bunch)”,绝不会主动去使用体验糟糕的工具;如果企业强制规定使用某套笨重的系统,工程师往往会暗中自己搭建轻量的替代方案(例如团队背着管理层偷偷搭建 Jenkins 服务)。

因此,采纳度能够折射出最初的开发者满意度。在此基础上,Forsgren 建议进一步跟踪“敬业度/交互度(engagement)”: - 观察人们在以多高的频次使用这些 AI 工具。 - 分析他们具体将工具应用于何种复杂度的任务(现有研究表明,AI 工具往往在处理相对标准、直接的常规任务时使用率最高)。

然而,战术指标的背后必须有清晰的战略意图。Forsgren 提醒管理者必须厘清核心目标:所谓的“提速”究竟是特指内环编码(inner-loop coding)过程,还是指端到端的功能特性交付(features end-to-end)?如果是后者,管理层就必须将视野投射到整个研发交付价值流的全局系统,而非盲目指望所谓“全自动无人驾驶(self-driving)”的 Agent 神话。

“We are not going to use tools that are awful unless we absolutely like if it's the only option, there's almost no other option.” —— Nicole Forsgren

---

[24:54](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1494s) 变革管理:提供“明确许可”与自我支持

除了量化指标,自上而下的心理安全感建设对于新技术落地尤为关键。对谈中提到了 Atlassian 首席信息安全官(CISO)Rajeev Rajan 的做法:他向全体员工发送明确指示,赋予所有人“10% 的专项工作时间,获得明确许可去试验这些 AI 系统并摸索其工作机制”。Forsgren 对此深表赞同,指出这本质上是经典的沟通机制与变革管理(change management),但在当下尤其不可或缺。面对 AI 的浪潮,一线工程师心中普遍存在疑虑与恐慌:“使用这些工具会导致我被解雇吗?”“如果用工具犯了错怎么办?”

来自高管层的明确背书(explicit exec sponsorship)能带来决定性的心理安全感,让员工敢于在防护栏内试错与探索。她甚至类比道,行业内长期存在“谁搞崩了生产环境谁就能获得某种搞笑奖项”的反直觉文化,其真正价值在于通过安全失败来对现有系统进行高压测试(pressure test)。最后,针对其新书中关于在严峻环境中“自我支持(self-support)”的章节,Forsgren 开始阐明,在面对如此密集剧烈的技术冲击与组织变革时,工程师与管理者唯有建立起有意识的自我调节与相互支持机制,才能平稳穿越剧变期。

“I think it's especially important now though, because there's so much fear and risk and unknown around using AI tools. Will I be fired for using them? What if I make a mistake by using them? And so, I'm seeing across at least a handful of companies that explicit exec sponsorship makes a huge difference in not just using them, but trying new things and feeling safe to fail within, you know, kind of guardrails.” —— Nicole Forsgren

[26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) 领导者的自我支持、个人董事会与职业倦怠

Nicole Forsgren 探讨了在推动团队变革时,工程领导者如何不仅要支持团队,还要为自己提供支持。在为了撰写相关内容而访谈了数十位工程领导者后,她发现许多人都强调了自我支持的必要性:不管是启动全新的开发者体验(DevEx)项目,还是全面引入 AI 工具,领导者面临的都是极具不确定性、前所未有的难题。Nicole 援引同行 Rose Whitley 的提议指出,每位技术管理者都应该组建属于自己的“个人董事会”(personal board of directors)。这样,当你面对即将到来的高管评审(exec review)、需要拿出一套明确立场却发现自己其实只懂其中一半时,你可以在一个安全的环境里与同行推敲探讨:“我必须去参加高管评审,我得拿出观点,但我只搞懂了一半,你能帮我梳理一下吗?”

这种同行交流机制也是预防职业倦怠(burnout)的关键屏障。Nicole 引用了职业倦怠领域著名心理学家 Christina Maslach 的研究指出,过度拼命工作其实并不等于倦怠,那只是身体“感到疲惫”(getting tired);真正诱发职业倦怠的核心诱因是“价值观出现偏差/无法对齐”(values not being aligned)。通过与信任的人深入交流,领导者能够辨清自己的价值观究竟落在何处、是否与当前组织的目标一致。很多时候,经过梳理会发现其实大家的价值观是契合的,这往往能瞬间卸下肩上承受的大部分心理重压。

- “You should have your own board of directors.”(Nicole Forsgren 引用 Rose Whitley 的话指出,管理者需要一个由值得信任的同行组成的智囊团来碰撞想法) - “Another piece that's super critical to burnout is not having your values aligned.”(Nicole Forsgren 强调,价值观脱节才是真正引发职业倦怠的核心因素,单纯的辛苦工作只是疲劳)

---

[28:31](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1711s) “无摩擦”的未来组织:系统可见性与内外循环的重构

主持人向 Nicole 提问:展望未来两到三年,一个真正严肃对待去摩擦化、全面拥抱 AI 的“无摩擦组织”(frictionless organization)会是什么形态?如果参会者想在本周立刻开始行动,除了买书阅读(以及下载网上免费的工作手册)之外,应该从哪里入手?自称“数据人”的 Nicole 从指标与观测系统的角度拆解了自主智能体(Agents)的愿景。很多人畅想未来 Agents 能够自主运行、自我优化,但要实现这一前提,Agents 必须能看见并理解整个系统,且有能力修复系统;而要让 Agents 做到这一点,首先必须是人类自己能看见并理解系统,进而采取行动修复它。

```mermaid flowchart TD accTitle: 智能体自主优化的前置依赖链 accDescr: 展示了从人类系统可见性到智能体自我修复的多层逻辑递进关系

subgraph HumanLayer ["人类可见与认知层"] A["人类能低成本看清并理解系统"] --> B["人类采取行动修复系统瓶颈"] end

subgraph AgentLayer ["智能体自主行动层"] B --> C["智能体能感知并理解软件工程系统"] C --> D["智能体自主调优与自动修复缺陷"] end ```

在当下的开发流程中,人类其实充当着“权宜缓冲器”(stopgap):比如老员工凭直觉就知道某个地方出问题大概率是构建系统(build)故障,但 Agents 并不具备这种直觉,或者就算有,管理者也不一定敢放心交给它。因此,企业当前应当探索如何廉价、轻量地暴露出关键的信号和观测触点(touchpoints),甚至可以借助 Agents 来快速搭建这些插桩(instrumentation)。Nicole 进一步指出,传统软件交付的前端流程(构思、设计、编码)已经被 AI 的极速原型能力高度“压缩”(smooshed);在接下来的演进中,外循环(outer loop,如测试、集成、发布)也必然会被压缩与折叠。管理者现在必须明确当下的质量关卡(quality gates)和评估信号究竟在何处,才能在这些环节未来被 AI 进一步压缩合并时,准确预判信号将发生何种位移或是否会彻底消亡。

- “For that to be true, agents need to be able to see and understand the system.”(Nicole Forsgren 强调,实现 AI 智能体自主运维的前提,是必须首先把工程系统的各项状态全面具象化、可视化) - “Right now, humans are a stopgap, right? We'll talk to people, we understand the system. I I just know that when there's a problem over here, it's like usually about the build, right?”(Nicole Forsgren 指出目前组织过度依赖人类凭借非形式化经验充当故障定位的缓冲带,但这无法直接迁移给智能体)

---

[31:18](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1878s) 建立跨公司的后门私密渠道(Back Channel)应对快速变革

主持人和 Nicole 总结了在极速剧变的时代中,组建跨公司“同行董事会”的具体落地方式。主持人建议大家主动联络在不同公司任职的同级别管理者,通过约喝咖啡、组建 WhatsApp 群或私密即时通讯群,定期同步彼此正在做的事情和看到的现象。由于在 AI 落地中唯一确定的就是“一切皆在变化”并且高度取决于各家上下文(it depends),结识类似业务领域的技术同仁,能让彼此的“上下文依赖”更加贴近,极大地提供可借鉴的参照系。

Nicole 对此深表赞同,分享了自己在日常工作中最获益的做法:利用这个专属的“后门私密沟通渠道”(back channel),在遇到困惑时随时抛出一个问题给值得信任和尊重的同行。通过交流去校验:“我这么解释能讲得通吗?我所看到的技术现象,和你们看到的是否一致?”如果一致,其背后的深层含义是什么;如果不一致,是实践真的不同,还是双方只是在用不同的词汇描述同一件事。在技术范式高速跃迁的当下,拥有这样一个可以安全暴露脆弱、快速校准认知的私密网络,是工程管理者抵御不确定性最强大也最实用的法宝。

- “And I also just keep I've got like the back channel, right? So sometimes it's talking to someone, and sometimes it's just like popping a question at a back channel with a handful of folks that you know and respect and you feel safe with.”(Nicole Forsgren 描述了她维护私密交流渠道的习惯,强调在充满信任与安全感的小圈子里随时抛出问题碰撞想法极其有价值)

## Notable quotes > [07:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=420s) What's good for humans is good for systems. — Nicole Forsgren

> [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) You should have your own board of directors. — Nicole Forsgren

> [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) So, like, I think with the right metrics in place, it really helps us make those risk-based decisions versus all fast or all slow. — Nicole Forsgren

> [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) Another piece that's super critical to burnout is not having your values aligned. — Nicole Forsgren

## Mentioned Nicole Forsgren, Gergely Orosz, The Pragmatic Engineer, Frictionless, Accelerate, Google, DORA, SPACE 框架, DevEx 框架, Claude Code, Etsy, Mitchell Hashimoto, HashiCorp, Kent Beck, Abi Noda, David Cramer, Sentry, Rajeev Rajan, Atlassian, Rose Whitley, Christina Maslach, Gloria Mark, Mermaid

## Video description With Nicole Forsgren, author of Frictionless and Accelerate. At The Pragmatic Summit: www.pragmaticsummit.com

With Nik Koblov (EVP Engineering), Veeral Patel (Director, Applied AI and Spend), Will Koh (Staff Engineer, Applied AI), and Ian Tracey (Staff Software Engineer). Recorded at The Pragmatic Summit www.pragmaticsummit.com

Watch the session with Q&A also included: https://newsletter.pragmaticengineer.com/p/the-pragmatic-summit-recordings

0:00 Intro 2:45 Inner-loop acceleration vs outer-loop bottlenecks 6:20 Review, release, and deployment constraints 10:35 Organizational process debt 14:20 Cognitive load and flow disruption 18:05 Psychological safety, ownership, and decision quality 22:00 Metric strategy with AI 27:05 Why adoption metrics alone are insufficient 35:30 Leadership change management: top-down + bottom-up 39:20 Frictionless future

[Source](https://www.youtube.com/watch?v=DfrAaDgFgjc)

中文简报

谷歌专家Forsgren警告:AI编程激增正在阻塞软件交付 除非企业彻底改造人工审查瓶颈并为外环系统构建可观测性,否则利用AI加速代码生成将堵塞交付流水线并使开发人员精疲力竭。 Forsgren概述了现代软件交付中日益严峻的瓶颈悖论:生成式AI工具极大地加速了内环代码生成,但人工审查、安全检查和发布等外环阶段却被突如其来的海量代码所淹没。她探讨了智能体快速反馈带来的认知代价,指出近乎实时的响应往往会打乱深度专注,并迫使开发人员不断重建心智模型。为了在不依赖虚荣产出指标的情况下准确评估AI的影响,Forsgren提倡采用SPACE框架等多维度评估方法,并结合持续的自愿采用信号。展望未来,她强调自主智能体工作流若缺乏全面的系统可观测性必将失败,同时呼吁领导者在快速变革期间建立外部同行顾问网络以防职业倦怠。 通过生成式AI加速代码生成加剧了交付外环中的瓶颈,导致代码审查、发布和安全合规方面出现严重积压。 (1:39) 自主AI智能体带来的即时反馈循环反而加剧了认知疲劳,迫使工程师在30分钟内重构其心智模型数十次。 (9:09) 自主自愈型AI智能体若没有轻量级的端到端系统可观测性便无法有效运行,因为智能体缺乏梳理碎片化架构所需的非正式人类直觉与团队经验知识。 (28:31) 通过代码行数或拉取请求等原始活跃度指标来衡量AI工具的投资回报率会导致流水线拥塞;评估需要SPACE等多维度框架并结合自愿采用信号。 (17:53)

精炼阅读摘要

Nicole Forsgren 指出,生成式 AI 工具极大加速了软件研发的代码编写内环,却使下游的代码审查、发布流程与组织治理等外环瓶颈急剧暴露;企业不能仅凭直觉或单一的代码产出指标衡量生产力,而需在系统可观测性、认知负荷控制与多维指标框架下重构工程交付体系。 内环加速激化外环交付瓶颈 (1:39) Forsgren 指出,行业早期对生成式 AI 的关注集中于编码内环,因为快速获得视觉反馈和成就感容易让人忽视后续环节的迟滞。AI 辅助开发将大量代码注入传统交付流水线后,原有的结构性缺陷被彻底放大。例如在《Frictionless》一书的案例中,新员工入职第一天便能借助 AI 编写代码,却因等待人工审查和数据库权限被阻滞两到三周;此外,企业因对 AI 生成代码的可信度存疑,甚至开始回退日常改动的自动化审查机制,强制人类介入,导致小规模的发布工程团队无法消化激增的合并请求。旧有流程旨在保障一致性,但在 AI 时代却演变为核心摩擦点。 过密反馈带来的认知负荷悖论 (9:09) 人类每天维持深度专注的脑力极限大约仅有 3 到 4 小时,但现代智能体工具的强交互性正在打破传统深度工作节奏。Forsgren 表示,过去工程界将快速反馈循环奉为圭臬,等待同事回复或构建反馈时,开发者的心智模型可以保持完整;然而当前如 Claude Code 等工具的高频反馈甚至自动补全,迫使工程师在 30 分钟内重构内部理解数十次,造成极大的心智消耗。为此,包括 Forsgren 本人和 HashiCorp 创始人 Mitchell Hashimoto 在内的从业者开始采取防御策略,例如关闭自动补全功能,或在终端异步运行智能体并彻底静音通知,仅在自然的停顿节点检查输出,避免注意力被机器节奏强行打碎。 AI 工具协作缺陷与心智模型构建 (12:00) 将 AI 视为万能工具并不能自动带来心智流动状态,流动状态的建立仍依赖于明确的目标、边界合理的任务、技术自主权与心理安全感。Forsgren 引用 Kent Beck 将 AI 智能体比作“精灵”的隐喻,指出与精灵对话无法替代真正的人类协作,因为当前的大语言模型普遍存在阿谀奉承的倾向,习惯性附和用户的方案,缺乏团队成员之间的批判性推演与反驳,容易掩盖设计盲区。Forsgren 结合自身撰写《Frictionless》时删去百余页无效背景说明的经历指出,未经试错与重构的直接求解往往难以建立深刻的系统认知,她本人便依靠提示词生成 Mermaid 架构图这一视觉手段,在代码快速变动中协助大脑维持对全局系统的认知把控。 从唯产出论转向 SPACE 与自愿采纳框架 (17:53) 面对管理层对 AI 投资回报率(ROI)的量化诉求,Forsgren 反对机械统计代码行数或拉取请求数量,认为单纯堆砌输出只会造成交付管线拥堵。她主张运用 SPACE 框架从满意度(Satisfaction)、绩效(Performance)、活动量(Activity)、协作沟通(Collaboration)以及效率与心智流动(Efficiency & Flow)五个维度全面评估。在评估 AI 落地时,由于工程师普遍具有排斥不良工具的倾向,持续的“自愿采纳率”和在复杂边缘案例下的深度交互是远优于强推指标的早期诊断信号;同时,企业需要类似 Atlassian 允许员工使用 10% 工时探索 AI 的公开高层支持,以消除合规疑虑,建立允许容错的心理安全感。 系统可观测性与治理规则的演进 (28:31) 非开发人员使用 AI 编写内部工具引发的数据泄漏风险,正倒逼企业将安全治理要求融入日常管理。过去二十年间监管逐步接受自动化测试替代人工“四眼双人复核”原则,而面对智能体生成与智能体审查的组合,管理层与监管机构必须重新界定风险标准。Forsgren 预测,在未来两到三年内,软件生命周期的外环测试与发布也必然被压缩合并;然而,自主智能体实现自我修复与优化的前提,是企业必须先建立轻量化、低成本的遥测信号与系统可观测性。智能体无法继承人类在碎片化架构中凭借非正式经验排查问题的直觉,唯有让系统对人和智能体透明可见,未来的自主演进才具备落地基础。 Forsgren 认为,在 AI 驱动的技术剧烈变革期,领导者不仅面临衡量成效与重塑流程的压力,还需警惕因价值观错位导致的职业倦怠;建立跨组织的非正式同行交流圈(Personal Board of Directors)以校准认知、共同排查盲区,是技术组织应对不确定性的重要支撑。如何在压缩交付周期的同时确立合规边界与透明度,仍是工程团队需要持续探索的课题。

Detailed notes — zh

## Background 本内容由 YouTube 频道 The Pragmatic Engineer 于 2026 年 3 月 22 日发布,记录了在 The Pragmatic Summit 上主持人 Gergely Orosz 与《Accelerate》及新书《Frictionless》作者、现任职于 Google 的 Nicole Forsgren 的深度对谈。视频重点探讨了在 AI 时代下,技术领导者应如何带领高效能工程团队应对内外环瓶颈与度量体系重构。 ## TL;DR 对谈直面了生成式 AI 带来的最大工程反差:IDE 内环代码生成极速飙升,但受制于代码审查、发布部署及组织流程债务等外环瓶颈,端到端的最终交付依然极其迟缓。Nicole 拆解了 DevEx 框架中的认知负荷与心流机制,警告超快速反馈可能导致工程师心智模型频繁重构而筋疲力尽,并强调团队心理安全感与真实纠偏是纯靠迎合用户的 AI 无法替代的。针对高管对投资回报率的追问,她重申了 SPACE 框架的系统化度量思维,主张以基于风险的决策代替非黑即白的提速,并提出建立“个人董事会”等管理变革策略以实现面向未来的无摩擦组织。 ## Atmosphere & style 整场对谈兼具思想领袖的宏观敏锐度与一线实战者的犀利幽默,台风轻快自如、干货密集。Nicole Forsgren 频繁用生动的比喻调侃管理层“8小时深度工作”的幻想和 AI 毫无原则的附和,引得全场会心微笑;而在剖析流程痛点与职业倦怠时,又展现出极其严谨坦诚的研究者底色。两位资深从业者的思想碰撞既消解了行业在 AI 浪潮下的技术焦虑,又为迷茫中的工程领导者注入了清醒而坚定的破局信心。 ## Bulletin - [01:39](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=99s) 生成式 AI 正在以前所未有的速度加速内环编码(Inner Loop),但下游的安全审查、发布和部署等外环流程(Outer Loop)依然严重依赖人工决断,导致代码生成越快反而越难真正交付上线。 - [09:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=549s) 快速反馈虽然长期被奉为敏捷工程的圭臬,但超高频的 AI 响应迫使工程师在短时间内数十次重构心智模型,极易迅速耗尽人类每日仅能维持 3 至 4 小时的深度工作精力。 - [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) 度量 AI 研发效能不应局限于代码行数或 PR 数量,而应依托涵盖满意度、绩效、活动量、协作与流动的 SPACE 框架,通过设定防护栏来支持针对风险的快速验证决策。 - [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) 工程管理者在面对剧烈技术变革时应组建跨公司的“个人董事会”建立私密交流渠道,通过同行互助对齐价值观,从而有效抵御职业倦怠并校准战略判断。 ## Key takeaways - [00:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=9s) AI 时代研发效能度量变得更加复杂,但彻底放弃度量将导致工程管理沦为纯凭直觉的主观推测,而管理层绝不可能接受 AI Agent 也依凭感觉行事。 - [01:39](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=99s) 内环编码加速与外环交付瓶颈形成了“在干柴上浇汽油”的困境,局部高产出彻底冲垮了原有脆弱的人工审核与合规流程。 - [02:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=175s) 企业在分支管理、Cherry-pick 补丁挑选以及候选构建上的群体决策黑盒,根本无法承接上游数倍的代码吞吐量扩展。 - [04:14](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=254s) 传统科层组织的流程惯性(如设备安全认证、数据库权限审批滞后)与 AI 时代新员工“首日即提交高频代码”的现状发生剧烈错位撞车。 - [07:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=420s) DevEx 框架的核心原则是“对人类有益的往往也对系统有益”,规范的代码、清晰的文档和严格的 API 能够同时降低人类与 AI Agent 的外在认知负荷。 - [09:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=549s) 超高速的 AI 反馈循环是一把双刃剑,频繁的模型打扰与过快的输出打破了工程师的思考节奏,促使部分资深开发者主动关闭即时通知以维系注意力。 - [12:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=720s) 进入心流状态不仅取决于高效工具,更依赖团队内的心理安全感以及清晰的目标范围;AI 永远迎合人类的特性无法取代真实队友指出思维盲区的纠偏价值。 - [14:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=840s) 人类在心流中写错方向和经历试错绝非浪费时间,亲自下场挣扎是建立深层系统认知与清晰心智模型不可替代的必经之路。 - [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) 高管对 AI 投资回报与效能的拷问没有单一答案,度量必须超越单纯的代码产出计数,转而依托 SPACE 框架衡量端到端价值流。 - [18:50](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1130s) 高绩效工程团队并非无脑牺牲质量追求速度,而是利用度量指标建立防护栏,进行快速原型与低成本试错的基于风险的决策(Risk-based decisions)。 - [20:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1255s) 非技术人员借助 AI 自建内部工具降低了业务门槛,但也打破了传统的合规防线,促使安全防护由走过场培训转向全员参与的实战防御机制。 - [22:38](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1358s) 在缺乏统一标准的初期,采纳度(Adoption)与交互度(Engagement)是观察开发者对工具满意度及任务复杂度的有效战术切入点。 - [24:54](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1494s) 来自高管明确背书的试验许可(如分配 10% 专项探索时间)能够打消一线工程师对使用 AI 工具被问责的恐惧,建立敢于试错的组织文化。 - [27:20](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1640s) 过度辛劳只是引发身体疲劳,价值观脱节(Values not aligned)才是导致工程领导者职业倦怠的核心根源,需要借助同行网络来重构认知对齐。 - [28:31](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1711s) 打造未来“无摩擦组织”与实现 Agent 自主运维的前提,是必须先将工程系统的各种信号与瓶颈具象化,摆脱将资深工程师经验当作临时缓冲器的依赖。 - [31:18](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1878s) 建立跨公司的私密后门交流渠道(Back Channel),是技术领导者在快速多变、高度依赖上下文的 AI 转型期校验认知、对抗不确定性的关键工具。 ## Detailed walkthrough ### [00:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=9s) 新书《Frictionless》与在 Google 探索“Agent 体验”及效能度量 主持人 Gergely Orosz 开场欢迎了 Nicole Forsgren,并祝贺她的新书《Frictionless》正式出版。上次两人长篇对谈时该书尚未面世,如今 Nicole 已入职 Google 展开全新的工作。当被问及最近在忙些什么、又有哪些问题让她“夜不能寐”时,Nicole 笑着感慨时间根本不够聊。她指出,她目前依然专注于如何改进人们构建软件的方式;早些时候大会讲者 Laura 曾半开玩笑地提到:“如果不能再叫它‘开发者体验’(Developer Experience),那就改叫‘Agent 体验’(Agent Experience),然后一切就能跑通了。”她现在核心思考的正是如何让 AI Agent 变得更聪明、更易于协作。 与此同时,软件研发中最棘手的难题依然是“如何衡量生产力”。正如上一场分享中 Martin 所言,原本的研发度量指标就已经漏洞百出,而 AI 的到来让度量变得“格外糟糕”。Nicole 强调,开发者往往讨厌生产力指标,因为指标很容易变成管理层对工程师的攻击武器;但如果彻底放弃度量,工程管理就会沦为纯粹的“感觉”(vibes)。团队在向上汇报时,总会遇到某些总监或副总裁凭直觉拍脑袋做决定。面对管理层,Nicole 直言: > “他们似乎并不太能接受如果 Agent 也是全凭直觉来行事。”(“They don't seem to be super open to it if agents just go on gut feel.” —— Nicole Forsgren) 因此,建立某种客观、可靠的度量信号在当下显得尤为关键。 --- ### [01:39](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=99s) 内环加速与外环瓶颈:在干柴上浇了一桶汽油 Gergely 指出,《Frictionless》一书的开篇(或封底介绍)点出了一个极具反差的行业现实:生成式 AI 正在以前所未有的速度帮助人类生成代码,但软件的最终发布与交付(shipping)却依然无比缓慢。为什么代码写得越快,上线反而越慢?这中间究竟发生了什么? Nicole 解释说,生成式 AI 兴起之初,所有人的注意力都本能地扎在编码环节——也就是所谓的“内环”(inner loop)。这是因为在 IDE 里实时敲代码、看 AI 生成补全是肉眼可见的,能给人带来极其强烈的多巴胺刺激。然而,当写完的代码进入外环准备上线时,原本那些大家心知肚明、得过且过的流程问题就彻底暴露了。以往安全审查、上线审批、发布部署流程通常只由少数几个人处理,偶尔代码评审慢一点、堆积几天,系统勉强还能运转;然而,当 AI 让前端产出呈爆发式增长时,既有流程瞬间不堪重负。正如大会讲者 Tiwa 所说,团队现在正被迫以一种前所未有的显性方式去追逐约束与瓶颈。Nicole 生动地打了个比方: > “好吧,现在我们只是往火上浇了汽油,所以这一切都变成了大问题。”(“Well, now we just threw gas on the fire and so all of that is a problem.” —— Nicole Forsgren) 无论是技术系统、组织流程还是负责把关的人类,在急速放大的吞吐量面前都陷入了全面瘫痪。 ```mermaid flowchart LR accTitle: Inner Loop vs Outer Loop Bottlenecks accDescr: Diagram contrasting high-velocity AI inner loop with constrained human outer loop delivery processes. subgraph InnerLoop["快速内环 (Inner Loop)"] A["开发者 + GenAI 编码"] -->|"多巴胺激增 / 瞬间生成大量代码"| B["PR / 代码提交"] end subgraph OuterLoop["受阻外环 (Outer Loop)"] B --> C["人工安全与代码审查"] C --> D["发布/打包决策与 Cherry-pick"] D --> E["生产部署与交付上线"] end classDef fast fill:#dcfce7,stroke:#16a34a,stroke-width:2px; classDef slow fill:#fee2e2,stroke:#dc2626,stroke-width:2px; class A,B fast; class C,D,E slow; ``` --- ### [02:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=175s) 评审与发布的黑盒:人工仲裁无法应对规模化压力 针对究竟是哪些具体环节拖慢了交付速度,Nicole 拆解了代码评审(Review)与发布部署(Deployment & Release)中的卡点。首先是代码审查:人类原本就是评审链路中最脆弱的瓶颈,而在 AI 介入后情况反而恶化了。过去很多公司针对较为简单的常规代码变更搭建了自动化审查流程,但由于担心 AI 生成代码的可靠性与可验证性,部分公司索性撤掉了自动化把关,重新强制要求人工逐行复核,导致评审负担发生恶性转移。 另一个重灾区是发布与部署。对于许多不了解“香肠是如何做出来的”工程师而言,发布流程就像一个黑盒。在许多传统企业中,挑选候选构建版本(candidate build)、人工验证、在各分支间进行 Cherry-pick 补丁挑选,再重新打包发布,高度依赖少数几个资深工程师的人工经验和群体决断。Nicole 强调: > “如果你只有一两个人或极少数几个人试图进行群体决策和群体理解,这套机制是根本无法规模化扩展的。”(“And that doesn't scale if you have one or two or a handful of people trying to make group decisions and do group sense making.” —— Nicole Forsgren) 当上游源源不断涌入数倍的变更时,这套依靠人工“肉身接弹”的发布机制便不可避免地崩塌了。 --- ### [04:14](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=254s) 组织流程债务与“第一天提交代码”的错位撞车 Gergely 提及《Frictionless》书中记录的一个真实案例:一位新员工入职某公司,在 AI 工具的辅助下当天就交出了第一份代码贡献,结果该提交硬生生搁置了两三周,原因仅仅是代码审查流程没人注意到它,且该员工尚未获得数据库访问权限。对于那些习惯了快速迭代的初创团队来说,这种长达数周的等待令人难以置信。 Nicole 犀利地指出,技术在进化,但科层体制的惯性依然根深蒂固: > “我认为有一点我说了可能大家并不会感到意外:组织依然会按老样子继续组织下去。”(“I think one thing I'm saying that probably won't surprise a bunch of folks here is organizations are still going to organize, right?” —— Nicole Forsgren) 为了追求形式上的标准化和安全合规,企业设立了严密的审批流程(例如必须由某个特定负责人签字),而这些机制往往正是最大的减速带。在过去,新员工入职两周没有数据库权限是普遍被接受的“潜规则”,因为在传统开发节奏下,90% 的人前两周本来就写不出多少生产代码。知名公司如 Etsy 早年就以“入职第一天必须向生产环境提交代码”著称,但那是整个基础设施和安全权限全面配套的结果。如今大部分传统公司根本没有做好这种准备。Nicole 分享了一个真实案例:某公司的一名实习生由于流程审批和供应链脱节,入职前两周都没领到正式工作电脑,只能使用临时备用机;结果该实习生在备用机上借助 AI 完成并提交了大量代码,但因为机器来源和预设的安全凭证不匹配,系统根本无法识别和验证他在高度敏感核心业务上的权限,导致后续处理陷入彻底死锁。以往掩盖在低速开发下的制度摩擦,如今在 AI 聚光灯下暴露得一览无余。 - 很多企业只把 AI 当作内环编码辅助工具,尚未考虑如何将 AI 引入到人际协调与业务流程等外环环节。 - 传统流程默认新员工入职两周处于“适应与配置期”,无法承接首日即交付高频代码的工作形态。 - 硬件与权限凭证(如设备来源校验、数据库访问)未解耦,直接打断了自动化集成的链条。 --- ### [07:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=420s) DevEx 框架的三要素与 AI 时代的心智负担 Gergely 转向了 Nicole 长期以来的另一项核心贡献——研发效能度量体系。从 DORA 到 SPACE,再到 AI 浪潮前夕推出的 DevEx 框架,Nicole 始终走在度量领域的前沿。Gergely 请她回顾 DevEx 框架的核心构成,特别是其中的“认知负荷”(Cognitive Load)在 AI 时代如何发挥作用。 Nicole 在台下讲者 Laura 的提醒下,清晰阐释了 DevEx 框架的三大互锁支柱:心流状态(Flow State)、认知负荷(Cognitive Load)和反馈循环(Feedback Loops)。反馈循环是支撑心流状态的生命线;如果开发者提交一个问题或发起一次代码审查需要等待 20 分钟甚至一周,心流就会被无情打断,进而急剧推高认知负荷。认知负荷本质上是大脑处理任务所需的脑力消耗。困难的任务本身需要大量脑力(内在认知负荷),但原本简单的操作不应该平白消耗心智。然而,当工程师被迫重新熟悉遗忘已久的代码库,或者为了完成一件琐事必须在繁琐晦涩的系统里走完上百步人工流程时,无谓的外在认知负荷便会彻底耗尽精力。Nicole 总结道: > “对人类有益的东西,往往也对系统有益。”(“What's good for humans is good for systems.” —— Nicole Forsgren) 如果一个工程体系拥有结构优良的代码、脉络清晰的文档以及定义严格的 API 接口,那么无论人类工程师还是 AI Agent 都能轻松理解并大幅降低交互摩擦。谈及人类注意力的生理极限时,Nicole 援引了知名学者 Gloria Mark 关于注意力聚焦的研究,指出人类在一天之内的真正高度专注时间其实极为有限。 ### [09:09](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=549s) 认知负荷与超快反馈循环的双刃剑 深度工作(Deep work)在人类的生理机制上有着严格的极限。Nicole Forsgren 直言,人类每天通常只能支撑 3 到 4 个小时真正高强度的深度工作。面对管理层经常提出的要求,她调侃道:“which always makes me laugh when executives are like, 'We need 8 hours of intense work.' And I'm like, 'Not with humans.' That's Our brains don't do that.”(管理层总说‘我们需要 8 小时的高强度工作’,这总让我发笑,我的反应是‘对人类来说不可能’,我们的大脑根本做不到)。在引入 AI 与自主智能体(Agents)之后,这有限的几个小时该如何分配成为了一个全新的命题。过去工程师通过封锁日历、专心致志做一件事来进入深度思考;而如今的大语言模型和智能体却极具打扰性,频繁弹出通知并介入思路,导致组织与个人必须重新审视如何管理认知负荷(Cognitive load)。 更具戏剧性的是反馈循环加速带来的矛盾。以往在软件工程领域,快速反馈与持续迭代一直被奉为圭臬,团队总是在追求更短的反馈回路;然而现在借助像 Claude Code 这样响应极快的模型,反馈来得太快,工程师反而极度疲惫,认知负荷暴增。Nicole Forsgren 解释称,这并非反馈变快本身不好,而是工作的性质彻底改变了。以往如果对某个代码库有疑问,等待他人回复期间可以稍作停顿并维持现有思路;但现在面对智能体秒级的输出,工程师被迫在 30 分钟内重构数十次自己的心智模型(Mental model)。更有甚者,模型会在人尚未准备好时强行插入代码补全,打断正在进行的逻辑构想。因此,许多人开始选择在需要专注撰写构思时主动关闭 AI,等写完后再让它进行审查。 这种摸索新型人机交互节奏的现象正在广泛发生。对话中提到,HashiCorp 创始人 Mitchell Hashimoto 采取的工作流便是在屏幕侧边常驻一个运行中的 Agent,但他彻底关闭了所有通知提醒。他会给智能体派发任务,但完全不在乎它何时完成,只有在自己准备好处理下一步时才会切回窗口查看。整个工程界正在逐步探索在不被工具绑架的前提下,如何找到最适合自己的工作节律。 ```mermaid flowchart TD accTitle: AI 反馈加速引发的心智模型重构 accDescr: 展示传统工程等待反馈与 AI 极速反馈对工程师心智模型的影响差异 subgraph Traditional ["传统开发模式"] A1["产生疑问 / 提交变更"] --> A2["外部异步反馈 (存在停顿缓冲)"] A2 --> A3["心智模型平稳推进"] end subgraph AIAgent ["AI 智能体模式"] B1["派发指令给 Agent"] --> B2["超高速秒级生成 / 代码注入"] B2 --> B3["短时间内连续推翻并重塑心智模型"] B3 --> B4["认知负荷过载与精力衰竭"] end ``` --- ### [12:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=720s) 心流状态不仅依赖工具:心理安全感与真实反馈 许多人以为有了强大的 AI 工具就能随时随地进入高效的心流状态(Flow state),但 Nicole Forsgren 在她的著作中强调,心流从来都不单单取决于工具链。当被问及在 AI 时代心流的决定因素如何演变时,Nicole Forsgren 给出了一句精辟的断言:“Uh well, tech is easy, people are hard.”(技术其实很简单,棘手的是人)。她指出,进入心流的核心在于真正理解自己在做什么:需要有清晰的方向、确定的目标、界定清晰的范围(Scope),并且深刻理解所做特性的核心目的,这样工程师才能做出明智的技术决策。与此同时,团队内部的心理安全感(Psychological safety)不可或缺,它决定了工程师是否敢于承担技术风险,或是在遇到阻碍时主动向队友求助。 针对 Kent Beck 先前将 AI 拟人化为“神灯精灵(Genies)”的说法,Nicole Forsgren 认为与精灵合作绝不能替代与真实的队友共事。身边拥有一堆 AI 精灵,和拥有一群真实的伙伴完全是两码事——不仅因为人与人之间的交流能量和对话深度不同,更关键的原因在于:AI 永远在顺从你。 Nicole Forsgren 幽默地吐槽 AI 毫无原则的迎合态度:“They just agree with us constantly. I'm always so smart and I'm like I know that was dumb. I know that was very dumb.”(它们总是在附和我们。在它眼里我总是无比聪明,但我心里清楚自己刚才的想法蠢极了,非常蠢)。她坦言自己的学术论文和书籍从未有一篇是单打独斗完成的,她通常在起草大半内容后,迫切需要一个能指出逻辑漏洞的人来当头棒喝,挑出那些在自己脑海里看似自洽、但在外界看来根本不通顺的盲区。而目前的 AI 工具和 Agent 远没有达到这种协作高度,它们时而猜得准,时而又直接给出一个完全毫不相干的离谱推断。 --- ### [14:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=840s) 《Frictionless》的写作挫折:试错与心智模型的重塑 为了说明这种协同纠偏的必要性,Nicole Forsgren 分享了自己撰写新书《Frictionless》时的真实经历。她在转型为全职研究员之前曾做了多年的软件工程师,而学术研究人员的写作风格具有极其明显的特质:充斥着海量的背景铺垫、极度严谨的细节描述,往往要翻到第 105 页才开始切入正题。在刚开始动笔写《Frictionless》时,她洋洋洒洒写满了好几个章节,详细讲解了非研究人员应该如何进行科学调研,比如怎样设计严谨的问卷调查、如何开展用户访谈。 整整写了 100 多页之后,她猛然惊醒:这些内容虽然无比详细且清晰易懂,但根本没有任何读者想看这些学术方法论。于是她果断将这 100 页稿件彻底扔掉,并立刻联系了 Abi Noda,问他愿不愿意合著这本书,并直截了当地拜托道:“‘do you want to write this book? I think I have an idea of the direction I'm going. Also, tell me if I get in a rabbit hole.’”(‘你想一起写这本书吗?我大致知道方向该往哪走。另外,如果我一头钻进死胡同,请务必拉住我。’)。最终,那些原本冗长的方法论被重塑为附在书末的操作手册(Workbooks),通过填写表格和清单的形式,变得极其直观且具有实操性。Nicole Forsgren 坦言,自己在进入心流时很容易写错受众群体或选错审视视角(Altitude);这与现在使用 Agent 极其相似,有时你给出的指令过于宽泛,实际上本应提供更多细节,等一个小时后发现代码跑偏时为时已晚。 现场讨论随之探讨了一个发人深省的问题:在 AI 能够无限生成内容的时代,人类在心流中写错方向、花费精力试错的过程真的是在浪费时间吗?Nicole Forsgren 坚信这种付出是无法被跳过的: - **概念表达的必经之路**:如果不亲自下场尝试和挣扎,人类根本无法清晰地阐述出核心问题、论点或想法。 - **系统认知的建立**:过去工程师因为亲手编写系统的每一行代码,即使面对庞大的架构,也大致能对核心模块了然于胸并轻松在白板上画出逻辑;如今代码瞬息万变,单靠 AI 一键生成(One-shotting)根本无法在人类脑中留下心智模型。 - **辅助思考的可视化**:Nicole Forsgren 提到自己是视觉型学习者,几年前在 AI 刚兴起时,她就不断要求模型生成 Mermaid 图表,强制 AI 充当白板与她一起理清思路,因为人类的大脑必须经历这种互动过程才能真正理解复杂的系统。 --- ### [17:05](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1025s) 高管与董事会的灵魂拷问:AI 效能该如何度量? 在建立心智模型和适应工程范式转变的同时,工程管理团队正面临着来自现实商业层面的巨大压力。无论是 CEO、董事会还是投资人,所有人都在反复拷问:企业为这些 AI 工具和模型支付了昂贵的账单,甚至已经看到了效率提升的某些迹象,那么到底该如何衡量(Measure)它的投资回报与工程效能? 针对管理层在参加完峰会后必然会向技术负责人抛出的问题——“Nicole 到底说了什么?我们究竟应该追踪哪些指标?”——Nicole Forsgren 开玩笑地给出了最经典也是最不可避免的答案:“‘It depends. It is always it depends. We can all go into consulting now and just make a ton of money.’”(‘这取决于具体情况。答案永远是这取决于具体情况。我们现在全都可以转行去做咨询赚大钱了。’)。尽管是一句玩笑话,但这也严肃地揭示了 AI 效能度量没有放之四海而皆准的万能公式,企业必须根据自身的开发瓶颈、交付流程和组织结构来审慎构建指标体系。 ### [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) 重新定义生产力:超越代码行数与 SPACE 框架的落地 Nicole Forsgren 探讨了衡量生产力时最根本的提问方式。每当有人问“我是否变得更高效了”时,她的反问总是:“你说的‘高效’到底是指什么?何时能亲眼辨别出它?它又具体呈现为什么形态?”正如代码有“坏味道(code smells)”,生产力同样有其异常表征。许多人习惯诉诸代码行数(lines of code)或 Pull Request(PR)数量,但这类计数往往无法回答核心问题:这是否真正帮助团队更快地将功能交付给最终客户?交付的又是否是正确的功能?一味追求产出只会带来系统性负担——没人会真正希望无休止地堆砌更多的想法、更多的代码行与更多的代码审查。 为了更科学地度量生产力,Forsgren 强调了持续演进的 SPACE 框架的价值: - **S(Satisfaction,满意度)**:开发者对工具、流程与工作状态的整体满意程度。 - **P(Performance,绩效)**:关注最终产出与质量等业务结果。 - **A(Activity,活动量)**:一切可量化的行为计数(如提交次数、构建次数等)。 - **C(Collaboration and communication,协作与沟通)**:涵盖人与人之间以及系统与系统之间的交互与信息流转。 - **E(Efficiency and flow,效率与流动)**:个人的心流状态,或者工作穿透整个系统所需的时间。 Forsgren 指出,当下所有人都在狂热地追求“速率(velocity)”,但若缺乏防护栏(guardrails),粗暴推进只会导致系统崩溃。她引用了其他分会场中关于“牺牲质量换取速度”的讨论,强调优秀的团队从不认为自己是在无脑牺牲质量,而是做出了极具针对性的“基于风险的决策(risk-based decisions)”。他们通过极快速的原型试验,在极小比例的受众上验证信号;即使付出短暂延迟或小概率崩溃的代价,也能在获得数据后迅速回滚。这种通过度量指标支撑的风险决策,打破了非黑即白(“全速推进”或“全面减速”)的极端思维。 “So, like, I think with the right metrics in place, it really helps us make those risk-based decisions versus all fast or all slow.” —— Nicole Forsgren ```mermaid flowchart LR accTitle: SPACE 框架五大维度 accDescr: 展示 SPACE 框架中满意度、绩效、活动量、协作与效率流动的五个互为支撑的度量维度。 subgraph SPACE["SPACE 度量体系"] S["S: 满意度 (Satisfaction)"] P["P: 绩效与质量 (Performance)"] A["A: 行为活动量 (Activity)"] C["C: 协作与沟通 (Collaboration)"] E["E: 效率与流动 (Efficiency & Flow)"] end S --- P P --- A A --- C C --- E ``` --- ### [20:55](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1255s) 非开发者编程潮与安全门槛的演变 现场讨论转向了 AI 工具普及对企业安全格局带来的冲击。随着类似 Claude Code 的工具门槛降低,大量非技术人员也开始尝试自主构建内部工具。对谈中提到前一日小型活动上由 Sentry 联合创始人 David Cramer 分享的真实警示:某家大型上市公司的一名业务开发人员利用 AI 搭建了一个用于分析销售代理数据的工具,功能十分强大,却在配置时无意中将其完全暴露在公网上,幸好在造成严重后果前被安全团队及时拦截。这表明安全培训已经无法停留在开发者每年走过场的“哈欠式(yawn)”合规,而必须转变成全员参与、高互动性的实战防御。 与此同时,安全本身的定义与合规边界也在发生深刻重塑。Forsgren 回顾道,部分国家和行业的合规监管长期要求代码合并部署前必须经过“至少两人审查”。过去一二十年间,行业逐步推动了演进,使通过一套严格的自动化检查与测试流水线能够等同于“其中一人”。然而随着自主 AI Agent(智能体)的介入,监管与技术边界再次模糊:AI 审查是否能算作一人?当整个发布流程被 Agent 接管时规则该如何制定?这些都需要工程领导层在保持系统一致性的同时,主动向监管机构与行业开展理念普及。 “Well, what if what happens when we have agents now? Right? And so I think some of this will be important for us to kind of discover and think about really creative ways to solve the problem in ways that are meaningfully consistent and also educate the rest of not just the industry but regulatory fields, right?” —— Nicole Forsgren --- ### [22:38](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1358s) 战术度量:以采纳度与敬业度为起点 针对工程副总裁(VP of Engineering)在面对供应商工具(如 Claude Code、Codex 等)铺开时应如何制定度量战略、同时避免侵犯开发者隐私并过滤垃圾数据的问题,Forsgren 给出了务实建议。尽管她坦言自己一向不喜欢单纯把“采纳度(adoption)”当成核心指标,但在实际落地中,这往往是获取早期信号的最佳切入点。开发者是一群“极其挑剔可爱的人(gloriously cranky bunch)”,绝不会主动去使用体验糟糕的工具;如果企业强制规定使用某套笨重的系统,工程师往往会暗中自己搭建轻量的替代方案(例如团队背着管理层偷偷搭建 Jenkins 服务)。 因此,采纳度能够折射出最初的开发者满意度。在此基础上,Forsgren 建议进一步跟踪“敬业度/交互度(engagement)”: - 观察人们在以多高的频次使用这些 AI 工具。 - 分析他们具体将工具应用于何种复杂度的任务(现有研究表明,AI 工具往往在处理相对标准、直接的常规任务时使用率最高)。 然而,战术指标的背后必须有清晰的战略意图。Forsgren 提醒管理者必须厘清核心目标:所谓的“提速”究竟是特指内环编码(inner-loop coding)过程,还是指端到端的功能特性交付(features end-to-end)?如果是后者,管理层就必须将视野投射到整个研发交付价值流的全局系统,而非盲目指望所谓“全自动无人驾驶(self-driving)”的 Agent 神话。 “We are not going to use tools that are awful unless we absolutely like if it's the only option, there's almost no other option.” —— Nicole Forsgren --- ### [24:54](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1494s) 变革管理:提供“明确许可”与自我支持 除了量化指标,自上而下的心理安全感建设对于新技术落地尤为关键。对谈中提到了 Atlassian 首席信息安全官(CISO)Rajeev Rajan 的做法:他向全体员工发送明确指示,赋予所有人“10% 的专项工作时间,获得明确许可去试验这些 AI 系统并摸索其工作机制”。Forsgren 对此深表赞同,指出这本质上是经典的沟通机制与变革管理(change management),但在当下尤其不可或缺。面对 AI 的浪潮,一线工程师心中普遍存在疑虑与恐慌:“使用这些工具会导致我被解雇吗?”“如果用工具犯了错怎么办?” 来自高管层的明确背书(explicit exec sponsorship)能带来决定性的心理安全感,让员工敢于在防护栏内试错与探索。她甚至类比道,行业内长期存在“谁搞崩了生产环境谁就能获得某种搞笑奖项”的反直觉文化,其真正价值在于通过安全失败来对现有系统进行高压测试(pressure test)。最后,针对其新书中关于在严峻环境中“自我支持(self-support)”的章节,Forsgren 开始阐明,在面对如此密集剧烈的技术冲击与组织变革时,工程师与管理者唯有建立起有意识的自我调节与相互支持机制,才能平稳穿越剧变期。 “I think it's especially important now though, because there's so much fear and risk and unknown around using AI tools. Will I be fired for using them? What if I make a mistake by using them? And so, I'm seeing across at least a handful of companies that explicit exec sponsorship makes a huge difference in not just using them, but trying new things and feeling safe to fail within, you know, kind of guardrails.” —— Nicole Forsgren ### [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) 领导者的自我支持、个人董事会与职业倦怠 Nicole Forsgren 探讨了在推动团队变革时,工程领导者如何不仅要支持团队,还要为自己提供支持。在为了撰写相关内容而访谈了数十位工程领导者后,她发现许多人都强调了自我支持的必要性:不管是启动全新的开发者体验(DevEx)项目,还是全面引入 AI 工具,领导者面临的都是极具不确定性、前所未有的难题。Nicole 援引同行 Rose Whitley 的提议指出,每位技术管理者都应该组建属于自己的“个人董事会”(personal board of directors)。这样,当你面对即将到来的高管评审(exec review)、需要拿出一套明确立场却发现自己其实只懂其中一半时,你可以在一个安全的环境里与同行推敲探讨:“我必须去参加高管评审,我得拿出观点,但我只搞懂了一半,你能帮我梳理一下吗?” 这种同行交流机制也是预防职业倦怠(burnout)的关键屏障。Nicole 引用了职业倦怠领域著名心理学家 Christina Maslach 的研究指出,过度拼命工作其实并不等于倦怠,那只是身体“感到疲惫”(getting tired);真正诱发职业倦怠的核心诱因是“价值观出现偏差/无法对齐”(values not being aligned)。通过与信任的人深入交流,领导者能够辨清自己的价值观究竟落在何处、是否与当前组织的目标一致。很多时候,经过梳理会发现其实大家的价值观是契合的,这往往能瞬间卸下肩上承受的大部分心理重压。 - “You should have your own board of directors.”(Nicole Forsgren 引用 Rose Whitley 的话指出,管理者需要一个由值得信任的同行组成的智囊团来碰撞想法) - “Another piece that's super critical to burnout is not having your values aligned.”(Nicole Forsgren 强调,价值观脱节才是真正引发职业倦怠的核心因素,单纯的辛苦工作只是疲劳) --- ### [28:31](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1711s) “无摩擦”的未来组织:系统可见性与内外循环的重构 主持人向 Nicole 提问:展望未来两到三年,一个真正严肃对待去摩擦化、全面拥抱 AI 的“无摩擦组织”(frictionless organization)会是什么形态?如果参会者想在本周立刻开始行动,除了买书阅读(以及下载网上免费的工作手册)之外,应该从哪里入手?自称“数据人”的 Nicole 从指标与观测系统的角度拆解了自主智能体(Agents)的愿景。很多人畅想未来 Agents 能够自主运行、自我优化,但要实现这一前提,Agents 必须能看见并理解整个系统,且有能力修复系统;而要让 Agents 做到这一点,首先必须是人类自己能看见并理解系统,进而采取行动修复它。 ```mermaid flowchart TD accTitle: 智能体自主优化的前置依赖链 accDescr: 展示了从人类系统可见性到智能体自我修复的多层逻辑递进关系 subgraph HumanLayer ["人类可见与认知层"] A["人类能低成本看清并理解系统"] --> B["人类采取行动修复系统瓶颈"] end subgraph AgentLayer ["智能体自主行动层"] B --> C["智能体能感知并理解软件工程系统"] C --> D["智能体自主调优与自动修复缺陷"] end ``` 在当下的开发流程中,人类其实充当着“权宜缓冲器”(stopgap):比如老员工凭直觉就知道某个地方出问题大概率是构建系统(build)故障,但 Agents 并不具备这种直觉,或者就算有,管理者也不一定敢放心交给它。因此,企业当前应当探索如何廉价、轻量地暴露出关键的信号和观测触点(touchpoints),甚至可以借助 Agents 来快速搭建这些插桩(instrumentation)。Nicole 进一步指出,传统软件交付的前端流程(构思、设计、编码)已经被 AI 的极速原型能力高度“压缩”(smooshed);在接下来的演进中,外循环(outer loop,如测试、集成、发布)也必然会被压缩与折叠。管理者现在必须明确当下的质量关卡(quality gates)和评估信号究竟在何处,才能在这些环节未来被 AI 进一步压缩合并时,准确预判信号将发生何种位移或是否会彻底消亡。 - “For that to be true, agents need to be able to see and understand the system.”(Nicole Forsgren 强调,实现 AI 智能体自主运维的前提,是必须首先把工程系统的各项状态全面具象化、可视化) - “Right now, humans are a stopgap, right? We'll talk to people, we understand the system. I I just know that when there's a problem over here, it's like usually about the build, right?”(Nicole Forsgren 指出目前组织过度依赖人类凭借非形式化经验充当故障定位的缓冲带,但这无法直接迁移给智能体) --- ### [31:18](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1878s) 建立跨公司的后门私密渠道(Back Channel)应对快速变革 主持人和 Nicole 总结了在极速剧变的时代中,组建跨公司“同行董事会”的具体落地方式。主持人建议大家主动联络在不同公司任职的同级别管理者,通过约喝咖啡、组建 WhatsApp 群或私密即时通讯群,定期同步彼此正在做的事情和看到的现象。由于在 AI 落地中唯一确定的就是“一切皆在变化”并且高度取决于各家上下文(it depends),结识类似业务领域的技术同仁,能让彼此的“上下文依赖”更加贴近,极大地提供可借鉴的参照系。 Nicole 对此深表赞同,分享了自己在日常工作中最获益的做法:利用这个专属的“后门私密沟通渠道”(back channel),在遇到困惑时随时抛出一个问题给值得信任和尊重的同行。通过交流去校验:“我这么解释能讲得通吗?我所看到的技术现象,和你们看到的是否一致?”如果一致,其背后的深层含义是什么;如果不一致,是实践真的不同,还是双方只是在用不同的词汇描述同一件事。在技术范式高速跃迁的当下,拥有这样一个可以安全暴露脆弱、快速校准认知的私密网络,是工程管理者抵御不确定性最强大也最实用的法宝。 - “And I also just keep I've got like the back channel, right? So sometimes it's talking to someone, and sometimes it's just like popping a question at a back channel with a handful of folks that you know and respect and you feel safe with.”(Nicole Forsgren 描述了她维护私密交流渠道的习惯,强调在充满信任与安全感的小圈子里随时抛出问题碰撞想法极其有价值) ## Notable quotes > [07:00](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=420s) What's good for humans is good for systems. — Nicole Forsgren > [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) You should have your own board of directors. — Nicole Forsgren > [17:53](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1073s) So, like, I think with the right metrics in place, it really helps us make those risk-based decisions versus all fast or all slow. — Nicole Forsgren > [26:52](https://www.youtube.com/watch?v=DfrAaDgFgjc&t=1612s) Another piece that's super critical to burnout is not having your values aligned. — Nicole Forsgren ## Mentioned Nicole Forsgren, Gergely Orosz, The Pragmatic Engineer, Frictionless, Accelerate, Google, DORA, SPACE 框架, DevEx 框架, Claude Code, Etsy, Mitchell Hashimoto, HashiCorp, Kent Beck, Abi Noda, David Cramer, Sentry, Rajeev Rajan, Atlassian, Rose Whitley, Christina Maslach, Gloria Mark, Mermaid ## Video description With Nicole Forsgren, author of Frictionless and Accelerate. At The Pragmatic Summit: www.pragmaticsummit.com With Nik Koblov (EVP Engineering), Veeral Patel (Director, Applied AI and Spend), Will Koh (Staff Engineer, Applied AI), and Ian Tracey (Staff Software Engineer). Recorded at The Pragmatic Summit www.pragmaticsummit.com Watch the session with Q&A also included: https://newsletter.pragmaticengineer.com/p/the-pragmatic-summit-recordings 0:00 Intro 2:45 Inner-loop acceleration vs outer-loop bottlenecks 6:20 Review, release, and deployment constraints 10:35 Organizational process debt 14:20 Cognitive load and flow disruption 18:05 Psychological safety, ownership, and decision quality 22:00 Metric strategy with AI 27:05 Why adoption metrics alone are insufficient 35:30 Leadership change management: top-down + bottom-up 39:20 Frictionless future [Source](https://www.youtube.com/watch?v=DfrAaDgFgjc)

Source quotes

[7:00] Nicole Forsgren: What's good for humans is good for systems. [26:52] Nicole Forsgren: You should have your own board of directors. [17:53] Nicole Forsgren: So, like, I think with the right metrics in place, it really helps us make those risk-based decisions versus all fast or all slow. [26:52] Nicole Forsgren: Another piece that's super critical to burnout is not having your values aligned.