开源项目实践 ③ — DORA / Octos

音频主要分享了在软件开发项目中运用 AI 的实践经验和成果，阐述了 AI 对项目生产力、质量的提升作用以及未来软件开发的自动化趋势，内容如下：

• 开源项目 DataOS 实践
• 项目背景
• 人员投入：曾在社区寻找顶级开发者，后自行开展项目，在德国和法国招聘两人进行了四年开发，完成目标的 1/3。
• 技术尝试：今年年初因 cloud 技术发展，开始尝试利用 AI 进行项目开发。
• 验证机制
• 基础构建：构建了 TDD（测试驱动开发）和分层的质量保证体系，用于验证 AI 编写代码的正确性。
• 模型互验：使用 Claude 和 Code 两个顶级模型互相验证，确保代码质量。
• 项目成果：经过几个月的实践，验证了 AI 开发的可行性和代码质量的可靠性。
• 机器人操作系统项目
• 项目现状
• 技术重构：几年前决定用 Rust 语言重构面向数据流的中间件，架构复杂，是分布式系统，应用层支持多种语言和 AI 模型。
• 进度瓶颈：经过四年开发，仅完成 0.5 版本，进展缓慢。
• AI 应用
• 准备工作：制作 QA 生成器，利用 Rust 中的形式化验证工具，借助 AI 进行各种审计和预算工作。
• Poc 验证：年初 fork 版本进行 Poc 测试，两个月完成了过去几年的目标任务。
• 代码集成：虽工程师拒绝，但强行默认到子仓库，在 AI 帮助下，一周内完成了复杂代码的集成。
• 质量保证
• 工具运用：采用 red, green（TTD）、PV 等方法，使用 FAST、LIMIT 等工具保证 QA，编写大量 QA 工具。
• 模型互查：让两个模型互相检查，Claude 完成后用 Code 查找问题，不断完善代码。
• 自动化成效
• 半自动化运行：repo 已基本实现半自动化，每天晚上自动配合 subsystem 进行审计、读取和修复简单 issue。
• 生产力提升：AI 能解决过去人不愿处理的小 bug，提高了代码质量，现在几乎可以用手机远程控制和查看项目。
• 未来趋势
• 完全自动化：认为未来软件开发将完全自动化，几周内即可完成项目。
• 角色迁移：人员角色发生迁移，对人员把控需求和质量保证的能力要求提高，PRD 变得更加重要。