AI 这波浪潮从去年到现在，真是铺天盖地。不管是在客户现场、行业沙龙，还是私下交流，大家总会问：“思码逸作为数据驱动的效能度量产品，在 AI 上有什么新动作？”这篇内容将围绕 DevInsight 在 AI 分析能力上的探索进行系统性介绍，希望能帮到大家更好地使用产品。

欢迎试用：https://fs80.cn/0z5ccp

过去：数据有但难下结论，数据分析解读成为效能落地最后一公里

前面我们提到过，做好度量的前提是拥有准确数据，这样才能真实反映团队情况。相信凭借专业工具和严谨态度的加持下，大部分企业已经完成了这个过程。

紧接着下个阶段就是对数据进行逻辑化的排列组合，把背后的信息呈现出来。这一点行业里也已经有了很好的方法论支撑（比如GQM），通常也不会成为卡点。

之后我们就会面临效能度量最容易出现两极分化的阶段-数据分析解读

单图表解读：有数但看不懂，理解图表含义是第一道门槛

单一的数据或许简单（看走势即可），但多指标组合形成的“复杂图表”，才是真正的挑战。以评估“项目事务交付效率”的图表为例：

• 横轴是“事务交付前置时间的P85”（85%事务完成的最长时间，反映多数需求的极限周期）

• 纵轴是“周期内完成的事务个数“（含需求、Bug、事故等多类型）。

• 颜色区分“项目表现”（左上绿区最优），形状表示“事务颗粒度”（圆点大小即颗粒度），均值线划定“各项目效率水平定位”（优于均值线为好）。

这些元素叠加后，看似“信息全”，实则像一本没目录的书——非专业人士很难快速回答：哪些项目交付效率又快又稳？是否受颗粒度大小因素影响？ 有数据却看不懂，更谈不上从中发现问题、提前预判项目风险。

多图表综合解读：图表越多越迷茫，效能分析不知道从何入手

看板的本质是多图表的逻辑化组合，通过数据间的关联关系构建“叙事链”，让效能表现从零散指标升级为可追溯、可解释的系统认知。但想从图表中精准获取有效信息，形成科学的效能分析结论，则需对「指标逻辑」和「维度关联」有深度理解——这对团队的数据解读能力提出了更大的挑战。例如我们使用“多快好省”原则定义出来的效能北极星看板：

• 产出维度：量化交付成果，二者结合区分“业务”与“技术”的产出，避免单一维度衡量研发交付成果。

• 效率维度：加速业务流转，需考虑交付速度与开发过程可持续性，也可识别流程卡点和过度加班问题。

• 质量维度：保障交付可靠性，质量覆盖“预防-发现-修复”全链路，全方位观测质量建设情况。

• 资源维度：优化投入产出比，通过需求堆积程度观察项目交付，反推资源配置是否合理以及交付成本是否可控。

倘若组织里有经验丰富的数据分析师，就能快速穿透图表表象：从“需求交付周期+人均代码当量”看开发效率对协作效率的促进，从“千当量缺陷率+重点问题密度”看内建质量的加强对缺陷问题的影响，从“需求堆积+贡献均衡度”看资源配置健康度……把模糊的“效能好坏”转化为可落地的“能力诊断”，最后输出对整个效能看板的总结报告。当然，这种模式高效与否与分析师本人是否有足够的经验和带宽有很大的关系，有时响应速度会比较慢。

更别提很多团队是没有这类专业角色的。这时面对多层指标的“组合”，极易陷入“看单个图表都懂，连起来就不知道如何下手”的困境——只能给到一些浅层的数据表现特征（如某指标下降了X%，但也解释不清楚和哪些因素有关），很难挖掘出真正有价值的信息，形成有效结论。

AI in DevInsight：跨越专业知识和效率瓶颈，你身边的专职数据分析师

结合前面说的，没预算请数据分析师，还想看懂复杂图表、更快获得有价值的结论怎么办？以前或许很难，但我们现在有了AI。那么 DevInsight 作为业内最为专业的研发数据度量分析平台是怎么借助 AI 一跃成为各位的私人分析师的呢？

• 首先，要看懂图首先要理解数，换句话说就是要明白每个指标在业务语境里是什么意思。还是拿上面那张图举例，“事务前置时间”指的是从需求提出到上线的时间，而不是开发阶段的耗时。明白每条数据代表什么意思了，才能挖掘更深的信息。 DevInsight 在这方面有天然的优势，因为系统里已经内置了足够多的规则及指标定义，这些都是我们提前“喂”给 AI 的。这样便能省去人工学习指标含义和问题排查的成本，真正实现效率飞跃。所以 AI in DevInsight 才能发挥价值，二者缺一不可。

• 其次我们还需要让 AI 具备问题分析总结能力，光看懂数据不够，还得会“串逻辑、挖关联”。这部分能力，来自思码逸咨询师沉淀的“分析引导体系”：行业基线数据（比如“千当量缺陷率≤0.5是健康线”）、数据态势判断逻辑（如“需求吞吐量短期提升20%+超越历史上限=异常波动”）、多维度归因模板（产出/效率/质量/资源的制衡关系）。这些知识过去都存在于思码逸咨询师的脑子里，而现在可以借助 AI 直接传递给用户。

    在不同的场景下，我们也根据用户的使用场景塑造了 AI 的数据分析思路：

• 

• • 在单图表分析场景下：聚焦“快速抓结论”。比如看到“需求趋势波动剧烈”，会立刻找到异常点进行提示，并且根据历史经验进行原因假设（是否因需求规划和资源分配问题），同时结合历史数据判断当前表现是否合理；

  • 在多图表的分析场景下：遵循“先总后分”的汇报逻辑。先看整体叙事（如“本季度效能核心矛盾是‘快而不稳’”），再下钻优势和问题背后的原因（如“A项目快是因颗粒度细，但缺陷增多因测试资源不足”），最后按“事实-原因-影响”输出结构化结论，直接对标汇报需求。

• 最后一步当然是给出建议。王阳明先生说过，“知道没做到，就是不知道”。前面又是看数又是分析，最终都是为了转化为切实的行动指导。为了让 AI 直达“病灶”，我们对它的输出做了严格的约束，使之能够清晰明确且具有可行性，能够真的在内部汇报、策略制定等场景中落地。

现在回到最初的问题，答案已经昭然若揭。AI 不稀奇，DevInsight 也不是新产品，但 AI in DevInsight 起到的作用绝对是 1+1>2 的。你值得拥有。

AI for DevInsight：发现问题不是终点，解决问题也同样重要

跟客户接触多了之后，发现即使通过度量发现了问题，也不一定能解决。比如组织想要内建质量提升，但研发业务太忙没时间做 code review、需求都堵在测试，但测开比长期又是不平衡的。面对这种情况，我们又需要直面一个新的课题-“如何用 AI 解决效能与资源之间的矛盾”。

除了在度量侧做的 AI 能力探索，思码逸也在积极尝试借助 AI 真正帮助组织实现效能升级，目前已成功孵化开发流程提效的编程插件 DevChat 以及应用于测试用例脚本自主生成的智能体——WellTested，有兴趣欢迎来撩！

在评论区聊聊，你觉得 AI 在研发提效方面还能做什么？