日程 › Agent 开发实践 › 纪要
开源项目实践 ③ — DORA / Octos
金句 · 一句话抓重点
四年只到 0.5 版的项目，AI 两个月追平了过去几年——前提是先有 TDD 与验证体系。
📊 信息图 · 一图读懂
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
①
开源项目 DataOS 实践
项目背景
②
机器人操作系统项目
项目现状
③
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。
智能纪要
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。
章节速览
00:00DataOS项目用AI写代码验证效果良好
本章节说话人1用具体例子讲述银行相关情况。提到开源项目DataOS，原本让社区两位顶级开发者做了三四年仅完成目标的1/3，今年年初自己接手。尝试项目时先构建基础，如TDD和分层质量保证，还采用Claude和Code两个顶级模型互相验证，几个月下来验证项目可信且质量好。
02:14用Rust重构机器人系统及AI助力项目推进
本章节主要讲述了一个项目，团队想用 Rust 语言重构面向数据流的中间件以构建机器人操作系统，耗时 4 年才到 0.5 版本且进展缓慢。说话人先做 QA 生成器等准备工作，年初 fork 版本做 Poc，两个月完成几年目标，但工程师拒绝，后强行默认到子仓库，在 AI 帮助下约一周完成复杂操作。
06:24项目资助、代码流程及QA工具使用情况
本章节说话人1主要介绍了两方面内容。一是提及资助相关的red、green、TTD。二是关于PV分成，每个PR有CI且每晚进行，每个release都可放CI，使用FAST、LIMIT等工具保证QA，还编写了很多QA工具。此外，repo的code的任何feature会自动研究cloudMD、agentMD，且每条代码线都要经过规定过程。
07:23模型互测及解决复杂问题的能力表现
本章节主要提到让模型之间互相较量的做法。Claude完成任务后，可利用其继续寻找信息。Vision模型识别链强，能逐段查找对话。还举例说明有复杂的PR问题，人类处理需很长时间，但模型能快速解决问题，强调可不断运用模型来处理事务。
08:03repo半自动化提升生产力及角色迁移安排
本章节主要讲述了当前repo已基本半自动化，每天能自动完成审计、读取和修复简单问题，质量也越来越好，极大提高了生产力。还表示进入第三个L时代，工作将完全自动化，如复杂Spec可一星期自动完成。此外提到角色迁移，秋薇要成为相关模块的owner，需把控好并明确自身需求。
🤖 模型解读 · 要点点评AI 生成的第三方点评 · 由大模型 Claude（Opus 4.8）依据本场智能纪要撰写，非主办方 / 演讲者观点，可能有误，仅供参考
这是全天最「硬」的一手实证：一个用 Rust 重构、四年只做到 0.5 版的机器人数据流中间件，靠 AI（TDD + 双模型互验 + 大量 QA 工具）两个月追平了过去几年的目标，如今 repo 已半自动化、每晚自动审计修 bug。它用真实工程数据，给「验证驱动的 AI 开发」提供了最有说服力的背书。
要点四年只到 0.5 版的项目，AI 加持下两个月完成数年目标、一周完成复杂代码集成。
点评全天最硬的生产力证据之一。但注意前提：是在已有清晰架构 + 强 TDD/QA 体系之上的「加速」，而非从零的「无中生有」。这恰好印证了潘爱民「把人的工作前置」、董劲松「验证比生成便宜」。
要点用 Claude 与另一模型互相验证、互相找茬，不断完善代码。
点评「双模型互验」是个被低估的实用技巧——用一个模型的生成对抗另一个模型的审查，廉价地逼近「对抗性验证」。它把单模型的不可靠，部分转化为多模型的可靠性，值得工程团队借鉴。
要点repo 已半自动化：每晚自动审计、读取并修复简单 issue，能用手机远程管理。
点评这才是「agent 长时运行」最接地气的形态——不是一蹴而就的全自动，而是把「人不愿做的小活」（小 bug、杂务）交给夜间 agent。生产力的真实增量，往往来自这些「边角料自动化」。
要点角色迁移：人对「把控需求与质量保证」的能力要求提高，PRD 更重要。
点评与全天主线再次合流——价值从写代码转移到「定义要什么」和「验收对不对」。但这也意味着对人的要求不降反升，所谓「人人都能编程」更可能是「人人都得会写规格、做验收」。
现场幻灯片 · 15 张
📷 参会者现场拍摄的演讲幻灯片 · 点击放大翻看（支持 ← → ↑ ↓ 键、滑动、自动播放 ▶）。为保护隐私，画面中的人脸已自动打码；按拍摄归集，个别可能串场。
本场涉及 · 知识库
以上为飞书妙记 AI 自动生成的纪要与章节摘要，可能存在识别误差，仅供参考。