从代码到方向：Deriv工程副总裁谈围绕AI重建软件开发流水线

汇捷资讯经纪商观察关注「从代码到方向：Deriv工程副总裁谈围绕AI重建软件开发流水线」。文中涉及Deriv。主体名称、时间、金额、牌照和监管结果以正文为准，不另作推断。

背景概述

根据 黄金形态通APP 报道，随着金融科技公司竞相采用人工智能，大多数公司仍将其作为现有工程工作流程的附加工具。而Deriv则采取了一种不同的方法，以AI为核心从头重建其软件开发流水线。FNG专访了Deriv工程副总裁Raunak Kathuria，探讨了这一转变在实践中的具体表现以及Deriv工程团队的未来方向。

AI优先对工程团队意味着什么

Raunak Kathuria表示，对于Deriv的工程团队而言，成为AI优先组织意味着从根本上改变工程师与工作本身的关系。在传统开发周期中，工程师是每个步骤的主要执行者，这在代码审查、测试、文档和部署等每个交接环节都造成了瓶颈，整个系统的速度受限于人力带宽。

Deriv的做法是将工程师转变为指导角色。他们定义意图、设定标准并评估输出，而流水线负责执行。这是工程组织运作方式的重大变化，需要在规模化可靠运行之前打好基础。

如何在大型工程组织中标准化AI输出

Raunak Kathuria指出，关键在于区分需要保持一致的内容和可以灵活处理的内容。Deriv构建了一个框架，为每个团队提供相同的指导文档、最佳实践和质量门禁，这些从一开始就内置在代码仓库中。AI读取这些文档并据此编写代码，因此标准随工作一起传递，而不是依赖个别工程师记住它们。

另一方面是理解AI本质上是非确定性的。这对于发现和暴露问题实际上很有用，但流水线仍然需要是确定性的。测试、部署门禁和CI/CD必须每次产生相同的输出，否则就无法信任它们。让这两者协同工作，是大部分工程努力所在。

具体案例：QA代理自动检测服务错误

Raunak Kathuria分享了一个典型案例：Deriv的QA代理在非工作时间检测到斯里兰卡的一个服务错误。该代理识别了问题，记录了包含完整上下文和截图的工单，并生成了永久捕获该类问题所需的测试。没有人被呼叫，也没有人需要在第二天早上接手并反向理解发生了什么。

对于一个跨多个地区和时区持续运营的平台来说，能够在每一步都无需人工干预的情况下检测、记录和解决问题，具有重要的运营意义。

人类判断仍然不可或缺的领域

Raunak Kathuria认为，架构和战略权衡仍然需要人类判断。在竞争性技术方案之间做选择、决定不构建什么，以及理解一个孤立可行的解决方案是否能在规模化时成立，这些决策仍然需要经验丰富的工程领导力，而且可能永远如此。

另一个领域是输出质量。工程师需要对基础知识有足够强的掌握，以评估AI产生的内容，而不仅仅是接受它。Deriv内部对此非常刻意。区分善于使用AI的工程师和仅仅产生更多输出的工程师的关键是什么？理解为什么做出某个决策。

对交付的影响

Raunak Kathuria表示，团队可以从意图直接进入生产，而无需传统上对独立QA或基础设施职能的依赖。这消除了大量曾经拖慢一切的协调开销。

不太明显的影响是一致性。在大型工程组织中标准化代码编写和测试方式，减少了随时间累积成技术债务的差异。这在短期内难以量化，但复利效应是巨大的。

未来路线图：自动化部署与实时测试

Raunak Kathuria透露，下一步是弥合生命周期中的最后一个缺口：部署。目前，开发者可以借助AI完成从功能想法到经过测试和审查的代码的大部分繁重工作。路线图将使最后一英里——将代码发布到生产环境——同样自动化。目标是让开发者描述想要构建的内容，系统处理从编写代码到部署上线的所有事情，无需任何人手动接触基础设施。

在测试方面，目标是让QAClaw在每次新发布时自动触发，不仅仅是每晚，而是任何东西发布的那一刻。结合实时崩溃检测反馈到测试循环中，系统将在大多数用户遇到问题之前捕获并标记它们。

最终目标是实现一个开发生命周期，让意图无需繁琐仪式即可变为生产。技能是新的编程语言，工程师的工作是指导，而不是执行。

编辑总结：技能是新的编程语言

Raunak Kathuria给工程团队的关键启示是：技能是新的编程语言。你从AI获得的质量完全取决于你投入的质量。你定义的工程原则、护栏和标准决定了输出是一致可信还是不可靠。打好这些基础的团队将脱颖而出，跳过这项工作的团队只会以更快的速度产生不一致的输出。