外观
06 AI Native 交付质量三角模型
怎么成为 AI Native Builder?答案是:为你的每一个需求,构建一个能保证交付质量的模型。
比速度更重要的,是交付质量
作为 AI Native Builder,我一般不太讨论用 AI 写代码有多快、一天能做多少个功能。速度不稀奇,现在 AI 一口气可以生成成百上千、甚至上万行代码。
我更关心的是:它交付出来的东西,质量过不过关?
前言说过,AI 是概率模型,没有人能保证它百分之百做对。所以目标不是让 AI 永不出错,而是让整个交付过程可控:尽量做对、证明做对、出错能接住。
这三件事,就是 AI Native 交付质量三角模型的三条边。
第一条边:定义正确
问题:什么是对的?发生在 AI 动手之前。
如果你自己都不知道这个需求做到什么程度算对,AI 来做肯定不可能对。它只会做得更乱:能力再强,没有一个好的指挥者,也只会胡乱打仗。
定义正确,本质上就是定义验收标准。放到产品研发里,有两个面:
- 功能行为正确:用户的真实路径要被端到端地走通。验收方式是 E2E(端到端)测试用例。这是最重要的一面。
- UI/UX 正确:页面结构、交互流程、视觉风格、组件一致性。验收方式是交互原型、设计稿、设计系统(DESIGN.md)。
定义正确有一个常被忽略的动作:人要逐条 Review 验收标准。 AI 生成的验收标准往往看起来很完整,但会漏掉关键路径。
举个谁都用过的功能:上传头像。让 AI 写验收标准,它通常会写出这几条:
- 选一张图片,上传成功,头像更新;
- 选了不是图片的文件,提示格式不对;
- 没登录时不能上传。
看起来挺全。但你拿起手机想一想自己平时怎么用:
- 手机拍的原图动不动十几 MB,图太大怎么办?
- 地铁里上传到一半网断了,是失败、重试,还是卡住不动?
这两条,恰恰是真实用户最常遇到的。AI 没写,不是因为它笨,而是因为它不在你的场景里。把这些场景补进验收标准,是人的工作。
那怎么才能定义正确?最快的一条捷径是:找到一个符合你期待的样本。 有了样本,「对」就有了参照物。第 7 章会看到这条捷径有多快,第 8 章会看到没有样本时有多难。
第二条边:验证正确
问题:AI 真的做对了吗?发生在发布之前。
正确定义好了,交给 AI 执行。它可能做了很多事,最后告诉你「完成了」。但你需要验证:它做的事,是否真的符合你事先定义好的那个「正确」。
验证有两种方式,缺一不可:
- 自动化验证:代码规范检查、单元测试、集成测试,以及最关键的 E2E 测试。比如让 AI 用 Chrome DevTools 真正打开页面,按验收标准一条条走一遍;不通过就自己修,修完再验。
- 人工验证:在预发布(Stage)环境,人按照同一份验收标准,一条一条地确认。机器给证据,人做产品判断。
注意,验证的依据是第一条边定义的标准,不是「看起来不错」。没有定义,就没有验证。这就是为什么三条边有先后顺序。
第三条边:失败可恢复
问题:出错了怎么办?发生在上线之后。
就算定义正确、验证也通过了,发布之后仍然可能出问题:线上出 Bug、用户在你没测过的设备上看到了不一样的效果、收到了负面反馈。
所以需要一套危机处理机制,它有两层:
- 能快速修复:能快速知道是什么原因导致的失败。这要靠日志、监控、告警、错误上报,有了这些信息,AI 才能帮你快速定位和修复。
- 修不了就回滚:如果不能快速修复,就能一键回到上一个稳定版本,先止损,就像撤回一条消息一样。
三条边,缺一不可
分别假设缺了其中一条:
| 缺了哪条边 | 会发生什么 |
|---|---|
| 定义正确 | AI 在很努力地完成一个错误的需求。白白浪费 token 和你的注意力,后续还要花很长时间收拾残局。 |
| 验证正确 | AI「骗」了你,你也不知道。它说完成了,到了生产环境,给你报一个 P0 级别的 Bug。 |
| 失败可恢复 | 线上报错,既修不快,也回滚不了。一个小问题被放大成事故。 |
没有 AI 的时候,人写的代码我们都不能完全信任,更何况是 AI 写的。
为什么是「三角」,又为什么有箭头
有人问过我:这三条边明显有先后顺序,先定义、再验证、再恢复,为什么叫三角,不叫流程?
两个意思都在:
- 三角说的是缺一不可。三角形少一条边就立不住,交付质量也一样。
- 箭头说的是顺序和循环。定义正确发生在 AI 动手之前,验证正确发生在发布之前,失败可恢复发生在上线之后。而失败中学到的东西(漏掉的场景、没想到的设备、新的边界条件)会回流到下一次的定义里,让下一轮定义得更准。
所以准确地说,它是一个带方向的三角:每转一圈,交付质量就更稳一点。
同一个三角,不同的强度
不是每个需求都要走一遍最重的流程。
想想做饭。办一桌年夜饭、给自己煮一碗面、发现汤咸了要补救,这是三件事,用心程度完全不同。可每一件都绕不开同样的三个问题:做成什么样算好?怎么知道做好了?砸了怎么办?
| 办一桌年夜饭 | 煮一碗面 | 汤咸了 | |
|---|---|---|---|
| 定义正确 | 提前定菜单,问清谁忌口、几个人吃 | 心里想好:加不加蛋,要不要辣 | 先尝一口,确认是咸,不是淡了 |
| 验证正确 | 每道菜出锅前试味,对着菜单清点 | 出锅尝一口 | 加水之后再尝,和刚才对比 |
| 失败可恢复 | 备一两道快手菜,实在不行叫外卖 | 煮坏了再煮一碗 | 越改越糟,就重新做 |
放到软件研发里也一样。拿一个记账 App 来说:
| 从零做这个 App | 给它加一个「导出 Excel」按钮 | 修一个 Bug:「月底统计少算了一笔」 | |
|---|---|---|---|
| 定义正确 | 完整的需求文档:用户旅程、每个功能的验收标准、设计稿;人逐条审 | 一张卡片写清楚:导出哪些字段、空数据怎么办、不改什么 | 先写清楚:怎么复现、现在是什么、应该是什么;找到真正的原因 |
| 验证正确 | 全套自动化测试 + 在预发布环境按验收标准逐条走一遍 | 为每条标准写测试,自己点一遍导出的文件 | 用同一个复现步骤再走一遍,确认那一笔算上了 |
| 失败可恢复 | 上线后看日志、错误报警;出大问题就回滚到上一版 | 同左 | 同左;修了反而更糟,立刻回滚 |
差别只在用心的程度,不在质量要求。 三条边一条都不能少。
不只是程序员的模型
这本小册是程序员版,但三角模型的底层逻辑适用于任何领域。比如用 AI 写一份材料:
- 定义正确:找一份你认可的范文,写清楚这份材料给谁看、要让他做出什么决定、必须包含哪些内容;
- 验证正确:让 AI 对照这些标准逐条自查,再由你或一位读者按同样的标准读一遍;
- 失败可恢复:发出去之后,读者有疑问能快速补充说明;写错了能马上发更正版本。
说法换了,逻辑不变。
怎么成为 AI Native Builder
回到这一部分的问题。我的回答是:
成为 AI Native Builder,就是拿到任何一个需求时,都能为它构建出一个 AI Native 交付质量三角模型,并用它完成从需求到交付的闭环。
听起来很抽象。接下来两章,我用一个真实的例子把它走一遍:做一个产品演示官网。先看有现成模型时有多简单,再看从 0 到 1 自己搭有多难。