作者 | Rafiq Gemmail

譯者 | 田橙

Cloud Native Summit 日前公布了 2025 年奧克蘭大會的演講視頻。大會的主題之一，是探討企業(yè)如何借助 Open Practice Library（開放式實踐庫）將協(xié)作模式轉(zhuǎn)化為可落地的成果。這個實踐庫收錄了經(jīng)過篩選的最佳實踐，旨在幫助團(tuán)隊通過協(xié)作來推動工作進(jìn)展。會上，Andrea Magnorsky 分享了她的 Byte-Sized Architecture 方法，展示如何在團(tuán)隊中建立對架構(gòu)的共同理解；而《Technology Operating Models for Cloud and Edge》的合著者 Ahilan Ponnusamy 與 Andreas Grabner 則探討了如何利用實踐庫，為企業(yè)成功引入 AI 提供支持。

Magnorsky 作為架構(gòu)師和顧問，曾在與英國廣播公司 ITV 合作時設(shè)計了 Byte-Sized Architecture 工作坊。她的思路是讓架構(gòu)工作更具連續(xù)性和包容性，通過定期、短時且結(jié)構(gòu)化的研討，幫助團(tuán)隊逐步建立共同理解。她的演講題為 《The Deliberate Practice of Thinking about Your Systems》，強(qiáng)調(diào)該方法的關(guān)鍵在于避免把復(fù)雜問題壓縮到一次過度樂觀的架構(gòu)討論中，而是通過規(guī)律性的研討，將架構(gòu)對齊與演進(jìn)融入團(tuán)隊節(jié)奏。她指出：

每次研討大概 45 到 90 分鐘……雖然也有辦法處理大規(guī)模團(tuán)隊，但通常不會超過 10 個參與者。最關(guān)鍵的是，這些研討會是循環(huán)開展的，一場接一場，團(tuán)隊就能在過程中一點(diǎn)點(diǎn)把目標(biāo)實現(xiàn)。

Magnorsky 解釋說，在這種反復(fù)進(jìn)行的工作坊里，大家會把自己對架構(gòu)組件的理解畫出來、講出來。這樣一來，原本藏在腦子里的東西就能被擺到臺面上，團(tuán)隊也能逐步提煉出洞見、澄清隱藏的假設(shè)，并最終積累出一套會跟著系統(tǒng)一起成長的“活的架構(gòu)知識庫”。她進(jìn)一步指出，本質(zhì)上這是把程序員腦海里的認(rèn)知編碼化，而在系統(tǒng)出現(xiàn)故障時，如果工程師的心理模型與軟件最初的設(shè)計脫節(jié)，出了問題時就很難迅速定位和恢復(fù)。

與之呼應(yīng)，Ponnusamy 和 Grabner 的主題演講 《Technology Operating Model for Enterprise AI Adoption》，介紹了一種幫助企業(yè)逐步采用 AI 的迭代式框架。該模型借鑒 Open Practice Library 的實踐，強(qiáng)調(diào)利益相關(guān)方對齊、平臺工程方法以及增量交付。

Ponnusamy 提到，每個組織都有自身的技術(shù)運(yùn)行模型，但大多數(shù)并未顯性化。而在生成式 AI、混合云架構(gòu)和新平臺迅速落地的背景下，AI 的引入更顯迫切。企業(yè)也面臨“影子 AI”的挑戰(zhàn)（員工偷偷使用未經(jīng)批準(zhǔn)的 AI 工具等）、方法和工具的無序擴(kuò)散，以及人才稀缺等挑戰(zhàn)。他強(qiáng)調(diào)采用平臺工程方法的重要性：

它能為所有工具提供統(tǒng)一的入口，為各項計劃提供唯一可信來源，并設(shè)立安全與合規(guī)的護(hù)欄……將平臺當(dāng)作產(chǎn)品運(yùn)營，可以確保既滿足當(dāng)前需求，又保持對未來的靈活性，從而提升采用率和用戶體驗。

他們的技術(shù)運(yùn)行模型基于 “streams（流）、dimensions（維度）和 dimension items（維度項）” 的結(jié)構(gòu)。比如，在 AI 平臺和用戶體驗這一領(lǐng)域，可以進(jìn)一步拆分成多個維度，包括平臺接入、生命周期管理和 AI 運(yùn)維等。每個維度又被分解為一系列可衡量的階段性目標(biāo)，就像一座座里程碑，最終指向的目標(biāo)是實現(xiàn)標(biāo)準(zhǔn)化、自動化，并能主動識別偏差的 AI 運(yùn)維模式。Ponnusamy 解釋說：

你必須清楚起點(diǎn)，設(shè)定可實現(xiàn)的過渡狀態(tài)，并逐步邁向目標(biāo)狀態(tài)。比如，先讓客戶知曉 AI 的使用，再收集反饋，接著引入偏差檢測，最終實現(xiàn)完全自動化的 AI 運(yùn)維。

在這個模型中，企業(yè)需要不斷評估自己向目標(biāo)狀態(tài)邁進(jìn)的進(jìn)展，并結(jié)合 Open Practice Library 中的一些精益方法。例如，用 Impact Mapping 來確保目標(biāo)和利益相關(guān)方保持一致，用 story mapping 和 value slicing 把工作拆解得更清晰，再輔以多種協(xié)作技巧，幫助團(tuán)隊穩(wěn)步前進(jìn)。

就像 Magnorsky 的 Byte-Sized Architecture 一樣，AI 的技術(shù)運(yùn)行模型也強(qiáng)調(diào)小規(guī)模、持續(xù)性的研討，讓團(tuán)隊在協(xié)作中不斷改進(jìn)架構(gòu)，并增強(qiáng)責(zé)任感。這與 2025 年 InfoQ《文化與方法趨勢報告》中的觀點(diǎn)一致——在快速推動 AI 采用的同時，團(tuán)隊必須保留用于協(xié)作、反思和學(xué)習(xí)的空間。

這一點(diǎn)也得到了 Thoughtworks 亞太區(qū)技術(shù)負(fù)責(zé)人 May Xu 的呼應(yīng)。她近期提出領(lǐng)導(dǎo)者在推動 AI 落地時應(yīng)聚焦的五個維度：技能、AI 素養(yǎng)、協(xié)作學(xué)習(xí)、治理、不斷試驗與操作指南。其中，AI 素養(yǎng)與協(xié)作學(xué)習(xí)與 Byte-Sized Architecture 思路高度契合，而治理與實驗等內(nèi)容則與技術(shù)運(yùn)行模型相輔相成。

Magnorsky 在演講最后提醒聽眾，所有人本質(zhì)上都是“知識工作者”，因此最有效的方式是通過協(xié)作，從不同角度去理解系統(tǒng)，從而推動變革與價值交付。她總結(jié)道：

知識工作就是理解并運(yùn)用知識——包括你的經(jīng)驗、價值觀、背景以及各種啟發(fā)方法——從而幫助組織實現(xiàn)真正有效的變革。

https://www.infoq.com/news/2025/09/open-practices-for-ai-adoption/

聲明：本文為 InfoQ 翻譯，未經(jīng)許可禁止轉(zhuǎn)載。