作为开发团队负责人,我最近做的最有用的事情之一,就是用 AI 分析我团队的 Pull Request。
本页为原文的机器翻译，未经人工译者审核。历史信息可能已发生变化。
作为开发团队负责人,我最近做的最有用的事情之一,就是用 AI 分析我团队的 Pull Request。
我让 Cursor 或 Claude Code(通过 GitHub CLI 连接到我们的仓库)去分析这些 PR(也就是它真的会运行带搜索参数的 gh pr list),并返回诸如这样的洞察 -
绩效:分析上一个冲刺(或季度),谁在某个区域改动代码最多,瓶颈在哪里,谁做的 review 更多,谁产生的 bug 更多,等等。
或故障分析 - 找出导致生产事故或我们在可观测性(Observability)工具中发现的错误上升的"确凿证据"(smoking gun)。
这种能力让我清楚地了解每个人做了什么、在哪里做出了贡献、在哪里卡住了,也让我成为一个更精确、更基于数据的管理者。
我一直坚持这一点 - 我们正处于从 Data driven 转向 AI Driven 的时代。如果数据分析和得出结论曾需要数小时或数天的投入,专属于分析师,并主要服务于产品人员,那么今天任何岗位的人都几乎可以毫不费力地分析与自己需求相关的数据,并得到经过消化的、智能的洞察,为他们服务并使其更精准。
我最近的一个案例促使我写下这篇文章。我实时看到生产环境的一个故障,让模型在 GCP 日志中定位故障,然后翻阅过去两周的所有 PR,准确指出是哪一次改动导致了问题。这是一种 smoking gun,没有 AI 的话需要花数小时去找,并且至少要牵涉一位开发者(甚至更多)参与这项调查。
当今天你可以简单地用自然语言提问并在几秒内得到答案时,团队负责人突然拥有了一种以前不存在的管理工具。这种思维方式(mindset)的转变 -- 手里拥有的是分析和研究工具,而不只是"代码补全"工具 -- 价值巨大,让我们能够成为超级管理者。
