从“人对齐人”到“人对齐Plan”：一种面向AI时代的小团队工程范式

在过去的软件开发中团队协作的本质是“人对齐人”。需求通过会议、文档、沟通不断在团队中流转每个开发者基于自己的理解、经验和能力将任务转化为代码。这个过程的效率很大程度上取决于个体差异理解能力、经验水平、表达能力以及近年来越来越重要的——使用AI的能力。但随着AI Agent的出现一个新的问题也随之浮现当每个人都在用AI时团队效率并不会自然趋同反而可能因为“每个人使用AI的方式不同”导致结果更加发散。于是一个新的工程问题出现了能不能把“个体差异”从执行阶段前置消解掉一、问题的本质差异来自哪里传统协作模式下一个任务的最终质量取决于对需求的理解是否一致对系统的认知是否充分实现路径是否合理使用AI的prompt能力是否成熟也就是说任务质量 ≈ 人的综合能力这在团队中是高度不均匀的。即使给同一个需求不同的人 不同的AI使用方式最终产出的代码质量、结构一致性都会产生明显差异。二、核心思路用Plan“收敛认知”一种更可控的方式是由一个对系统和需求理解更强的人Owner结合AI提前把“思考过程”固化下来。这个固化的结果就是 Plan。然后不再分配“需要思考的任务”而是分配“已经被定义清楚的执行任务”执行者不再需要重新理解需求也不需要自己构造prompt而是直接基于Plan AI完成实现这带来的本质变化是从人对齐人变为人对齐Plan三、Plan不是文档而是“执行协议”这里有一个关键转变很多团队会把Plan写成“说明文档”但这远远不够。在AI参与执行的情况下Plan必须升级为人类可读 AI可执行的“强约束协议”一个有效的Plan至少需要包含四个部分objective目标做什么成功标准是什么spec约束接口定义数据结构依赖边界plan执行步骤明确的操作步骤限制允许/不允许的行为checks验证如何判断任务完成可执行的测试用例这四部分共同作用的目标是最大限度压缩AI和人的“自由发挥空间”四、执行模式人不再“思考”而是“校准”在这种模式下执行者的角色发生了变化过去理解需求设计方案编写代码现在理解Plan驱动AI执行校准执行结果也就是说人不再负责“想清楚”而是负责“保证不跑偏”整个执行闭环变成Plan 限定空间AI 负责生成人负责纠偏可以理解为AI是动力Plan是轨道人是方向盘五、为什么这套方法能成立AI最大的问题是“不稳定”和“概率性输出”。而这套方法本质是在做三件事用Plan减少不确定性收敛空间用AI提升执行效率用人兜底偏差纠偏机制相比“完全依赖AI”或“完全依赖人”这是一个更稳定的中间形态。六、与“分布式编程”的关系这个模式可以类比为一种“分布式执行系统”但要注意它并不等同于分布式编译。相似点在于任务被拆分执行被并行化资源人AI被统一调度但核心差异是编译是确定性的而编程尤其AI参与是非确定性的因此这个系统必须额外依赖强约束的Plan明确的接口边界可执行的验证机制可以更准确地描述为中心化设计 分布式执行 人工纠偏七、小团队SOP如何落地在一个3–8人的小团队中可以用一套轻量流程快速落地角色划分Owner负责Plan设计Executor负责执行Reviewer负责校验标准任务结构task-xxx/ objective.md spec.md plan.md checks.md执行规范必须基于Plan驱动AI不允许自行修改设计必须通过checksReview标准是否符合spec是否通过验证是否越界修改人工介入条件AI多次结果不一致无法通过验证Plan存在歧义八、优势与边界优势显著降低个体差异影响减少沟通成本提升AI使用一致性提高交付稳定性但也有边界执行者的建模能力可能下降Plan质量成为系统瓶颈Owner负担变重因此一个合理的平衡是执行者可以不参与设计但必须具备识别问题的能力九、本质总结这套方法的核心不是“用AI写代码”而是把团队协作从“人类认知驱动”升级为“结构化协议驱动”当Plan足够清晰时人的差异被压缩AI的不稳定被约束协作成本被显著降低最终形成一种新的工程范式用Plan固化认知用AI放大执行用人保证正确性这可能不是软件工程的终点但很可能是AI时代一个非常实用的中间态。