CREAO 发布 Agent 平台 2.0：从 Copilot 到 Harness Engineering，用 AI 重构工程全链路
在短短三个月内，CREAO 将内部生产代码的 AI 生成率提升至 99%。从需求定义到代码发布，再到自动化测试，整个工程流程被彻底重塑。CREAO CTO Peter Pang 在最新的博客文章中揭示了这一转变背后的核心逻辑：AI-First（AI 优先）不仅仅是给工程师配备 Copilot，而是重新设计整个组织与架构，让 AI 成为主要的构建者。
核心突破：从 AI 辅助到 AI 优先
过去，大多数公司只是将 AI 作为工具“外挂”到现有流程中：产品经理用 ChatGPT 写文档，工程师用 Cursor 写代码。这种模式效率提升有限（通常仅 10-20%），且无法解决结构性瓶颈。
CREAO 的实践表明，真正的变革在于Harness Engineering（Harness 工程）。其核心原则是：工程团队的首要任务不再是编写代码，而是赋能 Agent 完成有用工作。当系统出现问题时，修复方案不再是“尝试更努力”，而是“识别缺失的能力，并将其变得可感知且可强制执行”。
三大瓶颈与重构策略
CREAO 在转型过程中识别出三个制约发展的关键瓶颈，并针对性地进行了架构升级：
1. 产品管理瓶颈 (The Product Management Bottleneck)
传统模式下，产品经理花费数周进行研究和设计，而 AI 仅需两小时即可实现功能。这种“长规划、短执行”的模式已失效。
- 解决方案：产品经理需进化为“产品思维架构师”，工作节奏与迭代速度同步。设计过程从委员会评审的文档转变为快速的“原型 - 发布 - 测试 - 迭代”闭环。
2. 测试瓶颈 (The QA Bottleneck)
当构建时间缩短至两小时，而人工 QA 测试仍需三天时，测试环节成为了新的瓶颈。
- 解决方案：引入 AI 构建的自动化测试平台，专门用于测试 AI 生成的代码。验证速度必须与实施速度保持一致。
3. 人力瓶颈 (The Headcount Bottleneck)
面对竞争对手百倍的团队规模，CREAO 无法通过单纯招聘实现对等。
- 解决方案：通过技术重构实现弯道超车，统一产品、实施和测试三大系统，消除人为延迟。
技术架构：Monorepo 与自动化流水线
为了让 AI Agent 能够全局理解、推理和修改代码，CREAO 实施了以下关键架构决策：
- 统一 Monorepo：将分散的代码库合并为一个单一的 Monorepo。对于人类工程师而言，这增加了复杂度；但对于 AI Agent 而言，这是可感知（Legible） 的前提。只有当 Agent 能看到整个系统的上下文，才能进行跨服务的推理和集成测试。
- 六阶段 CI/CD 流水线：基于 GitHub Actions，实现了严格的自动化验证：
- Verify CI
- Build and Deploy Dev
- Test Dev
- Deploy Prod
- Test Prod
- Release 每一行 Pull Request 都必须通过类型检查、代码风格检查、单元测试及集成测试才能进入下一环节。
- 基础设施即代码 (IaC)：利用 AWS 的自动扩展容器服务和电路断路器（Circuit-breaker）实现自动回滚。CloudWatch 作为中央神经系统，提供结构化日志和可查询指标，确保 AI 能够自主诊断问题。
实际价值
CREAO 的案例为开发者提供了极具参考价值的范式：
- 极速迭代：过去需要六周的迭代周期，现在可在数小时内完成，大幅缩短市场反馈时间。
- 稳定性保障：通过严格的自动化测试和 CI 门禁，确保了 AI 生成代码在生产环境的可靠性。
- 组织进化：重新定义了工程师的角色，使其从代码编写者转变为 AI 能力的定义者和判断者。
正如 Peter Pang 所言："如果产品能够自我构建，那么它就是成功的。" CREAO 不仅是一个 AI 工具，更是一个能够自我进化的 Agent 平台。
