5人7天完成产品上线，没有产品经理、设计师和测试：Qoder如何打造AINative研发团队？

考研资深辅导 2026年07月27日 19:00:24

分享嘉宾 | 刘欣整理 | 张红月

出品 | CSDN（ID：CSDNnews）

近日，IDC 发布了《2025 中国 AI 编程市场份额报告》，报告显示 Qoder 以 47.6% 的市场占有率位居中国 AI Coding 市场第一。

在 7 月 17-18 日的 2026 奇点智能产品大会上，来自 Qoder 产品解决方案总监刘欣不仅分享了「企业研发效率跃迁与 AI Native 组织实践」的核心实践总结，还给出了具体的落地建议，帮助企业打造 AI Native 超级组织。

刘欣在奇点智能产品大会分享现场

本文是对他现场分享速记的内容整理。

"Coding 是大模型的底层能力，不是应用场景 "

Qoder 早期做的是 AI Coding 方向，但很快就延伸出了更多能力—— QoderWork、数字员工产品 QoderWake、Qoder Cloud Agent 云端托管平台。

为什么要从 Coding 走向通用智能体？

" 我们认为 Coding 不是我们在大模型上的一个应用场景，" 刘欣说。

Coding 的能力对于大模型来讲，它是一个比较底层的基础能力。我们有一个断言：如果一个模型它的 Coding 能力不好，那这个模型它的表现是一定不会好的。

在这个判断下，Qoder 团队把 Coding Agent 的能力做扎实之后，再去写办公智能体或其他智能体，就 " 事半功倍 "。

所有这些产品的底座是一套叫 QoderCLI 的核心能力，包括 Agent 的 Harness 构建、云端沙箱隔离、Agent 可观测等最底层的能力。

" 个人效率提升，不等于研发产能提升 "

谈到 AI Native 组织转型，刘欣认为要从两个维度看。

第一个是每个个体的效率能不能提升 ;

第二个是个人效率的提升并不能代表整体研发产能的提升。

他直言，很多企业都有这种 " 熟悉的困惑 " ——编码是快了，但项目各角色之间的摩擦还在，AI 省下来的那点时间全耗在了流程的缝隙里。

用刘欣的原话说："AI Coding 让你突破了编码效率瓶颈，最后发现整个需求产出并没有显著提效。"

简单说就是：代码写得快了，但活没快。瓶颈不在工具，在组织。

" 从 Vibe Coding 到 Vibe Working"

去年行业热词是 Vibe Coding，刘欣认为，今年已经进化到了 "Vibe Working" ——不仅是写代码，而是整个工作方式都在被 AI 重塑。

截图自刘欣的演讲 PPT

他举了产品经理的三个例子。

第一个场景是需求确认。

以前：想法→ PRD →跟业务方对齐→反反复复。

现在：想法→半天生成可交互原型→拿着原型直接对齐。

第二个场景是 PRD 生成。写十几页甚至上百页的 PRD 可以直接使用像 Working 这样的产品来完成。

第三个场景是商业化定价。输入目标市场、规模和潜在竞争对手，可以很快速的帮我来测算出一个商业化定价的策略和方案。

" 有了这些工具的加持，很多角色完全有可能成为超级个体。"

" 拆成多个 Quest，并行执行 "

从 Code First 到 Agent First，是刘欣分享的另一个关键转变。

最早是 Cursor 那波，敲 Tab 键补全。

现在？

" 越来越多的 Agent 具备执行超过 24 小时长程任务的能力。"

你不是跟 Agent 一句一句对话了。你是委派一个任务给它，然后走开，等它干完回来验收。

这就是 Qoder 的 Quest 模式。

但 Agent 进企业，有个死穴：它不懂你的规范和上下文。

Qoder 的解法是知识引擎——快速提取整个代码仓库的知识，形成知识卡片，给人也喂给 Agent。

让 Agent 在写代码的时候，快速理解项目里面的架构知识、编码规范和技术栈。

"5 人、7 天，没有产品经理，没有设计师，没有测试 "

刘欣现场分享了 Qoder 团队自己的一个极限案例：今年年初发布 QoderWork，5 个核心同学，7 天时间完成开发上线。

截图自刘欣的演讲 PPT

第一到第二天，团队聚在一起快速讨论核心功能范围，构建公共组件和 CI/CD 流水线。

第三天到第四天，采用模块负责制——不是传统的产品经理、设计师、前后端、测试分工，而是垂直模块划分，每个人负责一个模块，拆成多个 Quest 任务并行执行。

" 架构师的价值发挥出来了，" 刘欣强调：" 写 300 行 Spec 给 AI Coding 工具，大概率生成效果并不好。架构师合理拆分功能点，才能让 AI 生成的成功率大幅提升。"

第五天到第六天，没有走传统测试流程，而是采用 Dogfooding 模式——找团队同事试用，快速发现问题，增补 Spec，修复代码。

第七天，项目发布。

" 我们采用了一种更类似于互联网的方式，" 刘欣说：" 强调小组织、尽量少协作、端到端完成任务。"

5 到 10 人的团队：一个项目室，吼一嗓子，信息对齐了。

" 我们没采用流程化的方式。我们强调小组织、少协作、端到端。"

那 5 个人是什么背景？

5 个核心的人都是开发背景，没有产品经理，没有设计师，也没有测试员。

刘欣把这种新型人才称为 " 梳子型人才 "。以前讲 T 型人才，一专多能。

截图自刘欣的演讲 PPT

今天借助 AI Coding 工具，在每个领域其实都很容易打破原来的专业壁垒。编程语言、技术栈已经不是限制扩展的核心瓶颈。

" 白天写 Spec，晚上交给 Agent，早上 Review"

产品上线后，如何持续高速迭代？刘欣的答案是：数字员工。

他举了两个例子。

第一个例子是 Issue 自动处理。

截图自刘欣的演讲 PPT

Qoder 家族产品已有百万规模用户，每天收到大量问题反馈。传统方式下，一个工程师分析一个 Issue 可能需要 30 分钟。

现在，数字员工 Agent 自动处理：用户上传截图和日志文件后，Agent 先剔除无效数据，再做问题分类。

如果是需求，整理后结合代码库能力，给到产品经理排优先级。

如果是 Bug，通过访问代码库和日志分析快速诊断，给出修复意见，并调用 AI Coding 能力完成代码修复。

" 人只需要做最后的检查，确认第二天白天要不要合并到代码分支发布上线。"

第二个例子是夜间执守。

截图自刘欣的演讲 PPT

Qoder 推出了夜间五折活动，背后的逻辑是白天写 Spec，晚上交给数字员工运行，早上研发人员基于运行结果做 Review 和审核，只是做把关的工作。

刘欣说：" 这是我们非常提倡的夜间执守模式。"

此外，团队还做了一个叫 "Q 仔 " 的答疑机器人，放在用户群里回复产品问题。它和一般客服助手的区别在于：

能读代码库（不只是文档），诊断能力更强；

高度拟人化，能给用户发表情回复和点赞；

具备自进化能力，被纠正后自动学习，定期清理腐化知识。

"N 个人乘以 M 个数字员工 "

刘欣认为，数字员工正在重新定义组织的边界。

Qoder 内部已经围绕研发领域提供了超过数十种数字员工，涵盖产品经理、后端、前端、测试员等角色，做成开箱即用的模板。

但刘欣想分享的重点不是数量，而是一件事：怎么把牛人的经验，变成全公司的资产。

他的路径是三层沉淀：AI 跟人的每一次对话、每一次代码提交，自动变成记忆存下来。企业的规范和流程，通过规则配置固化成资产。

这些个人知识一旦共享，就变成企业知识，反哺给每一个员工和 Agent。

" 以前这些经验只存在人脑子里，现在可以真正沉淀下来了。"

最终形态，刘欣叫它 " 碳硅共生的超级组织 " ——衡量标准不是 " 代码有多少是 AI 写的 "，而是三件事：需求吞吐变大了吗？发版变快了吗？数字员工变多了吗？

如何开始？找一个小而精的团队，从一个项目试起

截图自刘欣的演讲 PPT

演讲最后，刘欣给想要尝试 AI Native 组织的企业提了四条建议：

第一，团队要小而精。5 到 10 个人的组织，沟通成本相对较低。一旦到了十几人、几十人的规模，沟通协调和决策一致的代价就非常大。

第二，给数字员工身份。每个数字员工要有自己的工号、邮箱、权限，能登录系统、连接代码仓库、在聊天群里以自己的身份回复信息，让它更像真人。

第三，闭环反馈。不管是设计 Loop 流程，还是给单点数字员工构建自进化能力，所有东西都要有闭环反馈的能力。从执行到反馈，再到改进。

第四，自己试。找一个具体项目，选一个小而精的团队开始尝试。

其他人的经验不能 100% 适用于自己。只有根据自己的资源、人才情况和业务特点，自己去构建 AI Native 组织的尝试，发现问题，改进工具或协同方式，才能达到自己的 AI Native 组织。"

相关文章