杭州敏捷社区3月活动回顾

话题1：ToB大型商业软件敏捷实践：“玩”好用户故事，提质提效

某组织级敏捷专家清风（化名）作为第一位分享嘉宾，就ToB商业软件如何导入敏捷实践，进行了精彩的分享，内容主要包含如何通过“讲”好、“玩”好用户故事来提高转测质量，进而提高研发交付效率。嘉宾以组织级敏捷专家的角色入手，从问题诊断、解决方案到效果达成的逻辑线，逐一阐释了各个步骤中的反思、心路历程和注意点，让现场与会人员更容易理解，更有体感。

随着分享逐步深入，大家各抒己见：

1）一方面分享嘉宾结合自身组织的情况提出了很多有价值的拓展话题，

2）另一方面分享嘉宾通过和大家的互动更全面了解到其他组织的现实问题和对应举措，为其后续的日常工作提供了有效输入。

分享期间涉及到的部分拓展话题：

1）如何做好客户诉求到产品需求的转换？

2）如何做好产品制和项目制的平衡？

3）如何做好定制化项目管理？

最后分享嘉宾再提醒大家一定要因地制宜选择合适的提质提效举措，切勿“一刀切”，以避免带来“副作用”。

话题2：规模化产品开发案例的主题学习

吕毅分享了用NotebookLM对规模化产品开发案例进行主题学习的过程和结果，以下是一些要点：

主题学习的过程：

1）采用主题阅读的方式，主题阅读是《如何阅读一本书》中阅读的第四层次，就某个主题同时阅读多本书来进行主题学习

2）借助NotebookLM工具（一个Google的AI应用，背后的大模型是Gemini），导入大量规模化产品开发案例，设计一系列的问题进行探索学习

学习规模化产品开发的成果：

1）学习了LeSS案例，主要涉及的问题：常见挑战、LeSS的解决方案、方案中的要点。能够比较明确地找到应对特定挑战的特定方案，相当于把框架的一些部分做了拆解学习。

2）围绕主流规模化框架（LeSS/Nexus/SAFe/S@S）进行了对照学习。主要设计的问题：各个框架之间的相同和差异、详细比较来自不同框架但相近的实践。整体来说这些框架之间的相同大于差异，各框架之间都有些特有的考虑和做法，有些听起来类似，但背后的设计目标和理念却有明显差异。

话题3：研讨关于AI对产品开发或敏捷实践的影响

AI在产品开发活动中的应用日见增多，但多数仍处在实验探索阶段，还没有形成成熟的应用方式。因此，我们将一起探讨AI对敏捷实践的影响-分享在实际开发工作中观察到的AI应用场景，并针对不同敏捷实践来分析AI可能带来的变化。嘉宾开场现场演示了使用“AI PPT” 为本次主题写一个PPT提纲和内容，展示一波生成式AI工具化的能力。之后结合Deepseek、AI Agent面世后短视频平台上出现的大量“软件小白用AI生成一个微信小程序”的现象引出两个问题，并通过分组讨论输出观点形成观点集市、在通过观点集市互评碰撞出最吸引人的观点：

1）“AI面世后软件产业链条上的各个角色不再需要大规模团队吗？”

2）“团队规模的缩小，处理复杂沟通关系的项目经理作为一个职业会不会消失？”

活动流程如下：

首先，通过举手投票的方式，组织大家从”市场调研、需求挖掘、设计、开发、测试、上线、组织管理、到发布上线后的持续运维”中选择四个大家熟悉的阶段。

第二步，现场小组每组一个主题，花15分钟讨论讨论AI在这个阶段中能承担的任务，使用AI可能遇到的问题，推导会不会消减这个阶段主要岗位的人力或者直接干掉，形成主要观点输出到该组划分的白板上。

第三步，每组留一个守擂的组长，其它成员去不同团队的白板询问他们输出的内容，碰撞观点，并选择最满意的投出自己一票（不能投自己小组）。

最终，由获得认可最多的小组公开陈述观点，解答观点后遇到的提问和挑战。

通过“聊”发现：

1）很多软件公司都自上而下从公司级别上要求研发部门拥抱AI，要求各个部门的头评估AI对公司经营的影响。

2）大家使用最多的是尝试是用AI编写代码来提升开发效率或者完成部分工作的替代。

3）AI编写代码最大的困难是“AI不知道他不知道”，无论对错都生成出大量代码，读和Debug是最大的挑战。

4）对应这个挑战，结构化的消除歧义的表达方式来提升询问质量，从而提高AI代码的质量是可能的方向。

5）还有一个花边，有迹象显示“你代码再不生成，我要换另一个AI”之类的PUA语句能提升AI的编码效率。

对于最开始的两个大哉问大家一致的结论是：“角色的职能不会消失，但需要的人力会大大减少。不过就像汽车干掉了马车同时也带来规模更加庞大的汽车工业，牛马们肯定能找到另外的赛道继续卷”。

话题4：当谈到领域建模时，我们究竟在说什么

某组织技术专家青果作为分享嘉宾，聚焦于如何通过构建“领域模型”实现业务需求与代码落地的无缝衔接，并结合实际案例分享了领域建模的核心方法与建模技巧。嘉宾以领域驱动设计倡导者和实践者的视角切入，从概念定义、核心用途、发展历史、建模过程等角度，系统阐述了领域模型的知与行。分享的互动环节中，与会者围绕领域模型展开热议，涉及到的话题：

1）领域模型和大语言模型都有模型，有什么异同？

2）领域模型是程序员的自high吗，业务人员是否需要使用领域模型？

3）AI在建模过程中有什么样的帮助？

最终，嘉宾总结核心观点：领域建模并非银弹，其价值取决于是否与团队实际匹配。建议遵循“轻量起步、持续验证、动态调整”原则，避免盲目套用复杂方法论。同时提醒，建模的终极目标是降低认知负载，而非追求形式上的“完美设计”。