快手提出“臭鼬工厂”模式：AI如何从个人提效走向组织变革

智东西10月31日报道，今天，快手在技术沙龙上结合企业级AI生产力平台iWork的实践，分享了AI如何从辅助编程逐步走向团队协作与组织级提效，并沉淀为企业生产力基础设施。

快手企业智能体建设负责人、企业AI生产力专家沈浪复盘了快手过去两年AI生产力建设的四个阶段：从AI赋能工程师、全体员工，到AI赋能团队和组织。他特别提出，个人提效并不等于团队提效，企业需要将个人经验沉淀为可复用的数字员工、工作流和Skill，进一步推动团队能力共享与组织级Agent协作。

《软件工程3.0》作者、同济大学特聘教授朱少民则从工程方法论出发，分享了企业级智能体落地的关键路径，强调通过规约工程、驾驭工程和质量门禁，建立Agent可靠交付的工程体系。

快手磁力引擎风控技术负责人王东旭则从组织变革的角度，分享了快手从“超级个体”走向“液态组织”和“臭鼬工厂”的探索，尝试通过打破岗位边界、减少协作环节，让AI带来的技术效率真正转化为组织效率。

OPPO产研提效产品负责人郝刚分享了OPPO内部的AI Native演进路径，介绍了从工具普及、个人提效到组织提效的实践，以及如何通过高质量知识库、AI交付工作流和智能体协同交付平台CoMind，推动AI融入完整研发流程。

面对需求变更频繁、AI生成用例可信度不足等挑战，团队正在探索需求测试智能分级、风险挖掘和智能体自主测试，并通过异源交叉、人工真值校准等方式，解决“AI测AI”过程中的可信度问题。

当AI工具逐渐普及，企业面临问题，是如何将分散在员工个体身上的效率提升，转化为团队协作和组织能力。来自快手、OPPO的三位嘉宾分享了企业AI转型从个人提效走向组织变革的不同路径。

1、沈浪：从个人到组织，快手AI生产力的四阶段演进

快手企业智能体建设负责人、企业AI生产力专家沈浪认为，企业AI转型需要经历从个人到团队、再到组织的逐步演进。快手将这一过程划分为四个阶段：AI赋能工程师、AI赋能全体员工、AI赋能团队，以及AI赋能组织。

第一阶段，快手主要通过产品升级优化研发范式，让AI从代码辅助逐步走向Agent自主研发。第二阶段，快手将AI使用范围从工程师扩展到全体员工，让不同岗位的员工都能充分使用AI。

在非技术团队中，快手则提出了“先蒸馏、再折叠”的提效思路：先将个人经验AI化，通过数字员工、可复用工作流等方式沉淀个人能力，再通过知识、Skill和工具共享，将个人经验转化为团队可以共同调用的能力。

基于这一思路，快手推出MyFlicker 2.0团队AI产品形态。据沈浪介绍，目前快手园区已有1000多个团队Agent在运行。

第四阶段，快手开始探索从团队AI走向组织AI。 沈浪指出，团队AI的规模和成熟度各不相同，而整个组织是一个全新的业态，虽然其运行逻辑与团队AI相似，但在协作方式和能力整合上存在本质区别。

以HR体系为例，组织级AI不仅需要处理招聘、绩效、员工服务等单项任务，还需要打通不同职能之间的知识、数据和业务流程。

为此，快手正在研发MyFlicker 3.0，通过增加工作台功能，为组织AI提供稳定的Agent底座，推动AI从团队内部的能力复用进一步走向跨团队、跨业务的组织协作。

2、王东旭：超级个体、液态组织再到臭鼬工厂，快手探索组织变革新模式

面对这一变化，快手探索了三个阶段：从打造“超级个体”，到构建“液态组织”，再到形成“臭鼬工厂”模式。

第一阶段，快手通过IDE、浏览器Vibe Coding和CLI Agent等方式，不断放大个体能力。但超级个体并不能自动带来团队效率提升。

为此，快手推动算法与工程、前端与后端融合，让具备业务上下文的技术人员承担更多工作，也通过技术让渡，将部分提示词工程交给运营人员。

在前后端融合过程中，快手还建设了多仓全栈Agent Harness。不过，即使实现AI全栈开发，组织效率仍有天花板。

王东旭指出，开发环节约占端到端交付流程的20%，即使AI让代码开发效率提升10倍，整体交付效率也只能提升约22%。

因此，快手最终选择了“消除”这条组织提效路线，通过绑定共同业务目标、减少流转节点、集中产运研决策等方式，消除不必要的协调成本，让小团队形成业务闭环，逐步形成“臭鼬工厂”模式。

据王东旭介绍，经过这套组织与工程方式的调整，团队需求吞吐率提高了133%，交付周期缩短了79%，全栈交付需求数提高了800%，并获得快手内部领域级AI样板间的荣誉。

不过，臭鼬工厂模式也面临新的挑战：当小团队需要与大型组织协作时，外部流程和跨部门协调仍可能形成阻碍。

王东旭认为，这一瓶颈的打破需要更多臭鼬工厂的出现，通过多个具备自主交付能力的小团队协同，逐步打破大型组织中的协作壁垒。

3、郝刚：走向AI Native组织，需要自上而下和自下而上

OPPO产研提效产品负责人郝刚分享了OPPO内部的AI Native演进路径：从工具普及、个人提效，到组织提效，最终走向AI Native组织。

在工具普及阶段，OPPO将AI引入编程、测试、运营、审核、游戏和设计等日常工作，甚至曾要求员工达到一定的月度Token消耗量。同时，OPPO通过AI README，让项目文档和工作内容更容易被AI理解，并逐步搭建数字人研发、模型广场与知识库，以及Skill和MCP中心等平台能力。

随着AI工具逐渐普及，OPPO也发现，个人效率提升并不意味着团队交付效率同步提高。为此，OPPO开始提高研发流程中AI能够参与和掌控的环节占比，并重点推进两件事：建设高质量知识库，以及打造能够持续演进的AI交付工作流，以扩大AI协同交付的覆盖范围，减少重复交接和等待。

在组织层面，OPPO先选择部分人员开展AI转型试验，再逐步推进业务流程重构、专业能力沉淀和平台底座建设。其内部的CoMind智能体协同交付平台，能够承接从想法、需求提出到最终上线交付的完整流程，为团队协作提供AI能力支持。

对于如何走向AI Native，郝刚认为，需要自上而下与自下而上两条路径共同推进：管理者既要亲自上手，也要判断转型方向；员工则需要从超级个体走向协同的“蜂群”，让判断、执行和经验彼此连接，形成团队复利。

当AI深入团队协作和企业研发流程，如何让Agent在复杂业务环境中稳定执行任务，如何衡量交付质量，又如何防止效率提升带来新的风险，这些问题成为了新的挑战。两位嘉宾分别从方法论和实践两个层面分享了，企业该如何解决这些问题。

1、朱少民：企业级智能体落地，需要精密的工程体系

《软件工程3.0》作者、同济大学特聘教授朱少民认为，企业级智能体落地不能只关注模型能力和代码生成速度，更需要建立一套可靠的工程体系。

企业生产力应当以可交付的客户价值衡量，即企业生产力=可交付客户价值/总投入。如果效率提升伴随着质量、可交付率和可治理性的下降，企业整体生产力反而可能降低。

他指出，生成不等于完成、个人提效不等于组织提效、Demo不等于可靠生产，企业需要将关注点从生成速度转向交付速度，从个人效率转向组织吞吐量，从模型能力转向工程系统。

在具体落地方法上，朱少民重点介绍了规约工程与驾驭工程。规约工程旨在定义Agent的工作目标、上下文、约束和验收条件。驾驭工程（Harness Engineering）则通过系统化的工程控制，为Agent建立明确的执行边界和运行环境。

此外，企业还需要建立质量门禁。由于Agent的行为具有概率性，不能仅依赖其自身判断任务是否完成，而应通过分层质量检查，对产出进行验证、拦截和反馈，形成持续改进的闭环。

对于企业的演进路径，朱少民提出，可以分三步推进：首先进行架构清理和知识沉淀，为Agent参与研发打好基础；其次搭建Harness框架，建立Agent自主执行任务的工程环境；最后构建质量门禁和反馈闭环，让Agent从依赖外部能力和人工指导，逐步走向系统自主。

当需求变更更加频繁、代码产出更加细碎，甚至出现一些表面正确、实际语义错误的隐性缺陷时，验证能力就可能成为新的瓶颈。

这一变化也带来了新的质量风险：测试速度跟不上研发节奏，项目容易堆积在质量验证环节；AI生成的测试用例和结论缺乏足够的可信度；重复代码增多、代码腐化加速，也让质量审核更加困难。

针对这些问题，吕冬冬分享了快手团队正在探索的需求测试智能分级体系。其团队将人工判断经验与AI分析能力结合，建立智能分级流程，把需求划分为高、中、低三个风险等级，并匹配不同的测试策略：高风险需求由人工主导、AI辅助；中风险需求由AI与人工协同；低风险需求则更多交由AI主导。

分级过程中还引入了包含12类检测项的风险挖掘体系，覆盖核心业务链路改动、数据安全与合规、上下文依赖及复杂度等因素，同时保留人工最高决策权限。

随着AI逐渐承担更多测试工作，质量团队也需要重新划分职责边界。吕冬冬提出，智能测试要让Agent逐步参与决定“测什么、怎么测、测多深”，通过策略决策模型，根据风险匹配测试组合，并给出可解释的策略依据，最终形成结构化测试计划。

在测试执行环节，则需要进一步实现多工具协同、自主执行、稳定可靠和降本提效，让测试从人工操作逐步走向智能体驱动。