KeyFrame內部研究專用

Inside Kikimora: We Built a Dark Software Factory

Tessl AI15 min英文
觀看原始影片

三句話摘要

用自主 AI 智能體自動開發軟體的「暗工廠」模式如何改變軟體工程流程與團隊文化。 當 AI 智能體能自動完成大部分程式碼工作後,軟體工程師的核心價值轉向系統理解與架構決策,而組織則需透過 Dark Factory 等自動化工廠根本改變工作方式,才能真正釋放這個時代的生產力潛能。 軟體工程核心價值的根本轉變。AI 智能體已能撰寫比工程師更好的程式碼,因此工程師的價值不再來自編碼能力本身,而是對整個系統的理解、技術約束與業務約束的整合能力。

重點整理

  1. 軟體工程核心價值的根本轉變。AI 智能體已能撰寫比工程師更好的程式碼,因此工程師的價值不再來自編碼能力本身,而是對整個系統的理解、技術約束與業務約束的整合能力。

  2. 自動化工廠的完整無人循環。Dark Factory 透過 Linear issue 作為統一入口,AI 智能體自動分析、解決問題並生成 PR,然後持續監督直至合併,整個過程無需人工干預。

  3. 文化採用需要領導層親身示範。工程師習慣於追求完美與確定性,轉變為「信任系統並在使用中改進」需要根本思維轉變,最有效的方式是領導層親自使用(包括 CEO 不經工程知情就透過工廠發佈生產程式碼)。

  4. 工廠概念超越技術團隊的擴展。不僅工程師,行銷、設計、人力資源等非技術部門也開始使用工廠自動化工作流程,證明這是更廣泛的組織生產力工具。

實用技巧與重點

  • 工具與系統:
  • Kiki Mora:內部 Dark Factory 名稱,以斯拉夫民間精靈命名
  • Linear:問題追蹤系統(作為工廠入口)
  • GitHub:PR 管理與合併平台
  • Tesla agent:協助識別、提取與格式化工作流程的工具
  • Skills registry:工廠使用的工作流程註冊表
  • 數字與指標:
  • 速度提升:每週約 30% 加快
  • 上線時間:三週完成整個工程團隊上線
  • 工作委託比例:90% 工作委託雲端工廠,10% 手動優化
  • 原型完成時間:Kiki Mora 於週四構建,週末自我改進
  • 流程與方法:
  • 工作流程:Linear issue → AI 智能體自動解決 → GitHub PR → 持續監督至合併
  • 支援進化:從每人一名支援 → 自動化 issue 分類系統
  • 日誌分析:給工廠簡單指令「查看日誌找改進模式」,系統自動優化

結論

當 AI 智能體能自動完成大部分程式碼工作後,軟體工程師的核心價值轉向系統理解與架構決策,而組織則需透過 Dark Factory 等自動化工廠根本改變工作方式,才能真正釋放這個時代的生產力潛能。

完整解析

Dark Factory 的概念源自製造業——燈火通明卻無人員在場的工廠。講者的團隊將其作為「強制函式」,迫使組織面對軟體工程正在快速變化的現實。從 2025 年 11 月開始,當 Claude 等 AI 編碼助手開始產出高品質程式碼後,整個公司的工程師都從「我在用 AI 編碼工具」轉變為「你為什麼還沒用」。到了 1 月、2 月,速度提升帶來的後遺症隨之出現——流程的每個環節都開始成為瓶頸,因為它們原本都假設前一環很慢。當時 Anthropic 宣布用兩週時間用 AI 從 Zig 轉換程式碼為 Rust,高層意識到必須根本改變軟體交付模式,才能跟上競爭的步伐。

為了突破,團隊決定讓每個人各自從零開始構建一個 Dark Factory 原型。乍看之下這在傳統軟體工程中是荒謬的,但在快速迭代的 AI 時代,這卻是最聰明的決策。Maria 在週四構建了 Kiki Mora(以斯拉夫民間傳說中在夜間幫助整理家務的精靈命名——如果你是好主人,它會幫助你;如果你懶惰,它會反過來惡作劇),並讓它在週末自我改進。最終系統簡潔得不能再簡潔:開發者在 Linear 中建立 issue,工廠自動選取,AI 智能體自動解決並開啟 PR,然後持續監督這個 PR,根據評論自動調整,直至合併。三週內團隊完成了全體工程師的上線,雖然過程緊張到工程主管在第一週就向領導層預警可能延期,但最終「砸」了這個目標。

真正的挑戰不在技術而在文化轉變。工程師過去的身份與價值來自「能寫好程式碼」,現在卻要相信 AI 能寫得比自己更好。最大的心理障礙是「我需要確定它完美運作才會嘗試」,但這無法透過漸進式改變達成,必須一刀切採用。領導層透過親身使用來示範承諾——CEO 甚至不經工程知情就直接透過工廠發佈了生產資料庫遷移(雖然後來被發現,反而促進了後續改進)。這種文化轉變的根本是重新定義工程師價值:不再是編碼能力,而是對系統整體、技術與業務約束的理解能力。講者自己的工作時間分配也改變了——90% 工作由雲端工廠完成,他只投入 10% 時間在前端細節優化上。

隨著工廠成熟,他們建立了 Tesla agent 幫助其他團隊構建自己的工廠。最令人驚豔的是工廠概念超越了技術團隊——設計師、行銷、人力資源都開始使用工廠自動化工作流。一名設計師說「我第一次發了 PR,從未感到如此被賦權」。這正是技術驅動根本性社會轉變的方式:當某項工具使有價值的工作對更多人變得可達時,工作本質就會改變。速度每週提升 30%,工廠甚至能自我改進——給它簡單指令「查看日誌找改進模式」,它就自動優化流程。講者認為,這不只是生產力提升,更是整個組織心態與能力的根本性轉變。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。