每家企业都在强调自己对于DevOps与敏捷化理念的认可,而且可以肯定的是,新一年内这两项目标将得到进一步关注。如今,远程办公的全面贯彻为DevOps全面普及铺平了道路,各个行业加强协作、特别是数字化协作的愿望,也从未如此强烈。新一年中,DevOps与敏捷化将走向何方?根据行业领导者们的普遍观点,DevOps与敏捷化需要找出一条规模化应用的路径。
DevOps是指在开发团队与运营团队之间建立起协作体系,敏捷化则强调以相同的步调统筹IT与业务用户,携手发布软件产品并以自动化且安全的方式进行成果更新。结合近年来的行业期刊与分析师报告,我们会发现DevOps与敏捷技术可谓无所不在。但现实情况真有这么乐观吗?DevOps与敏捷化在实际应用中是否还在“相爱相杀”?二者的应用发展是否达到了预期的水准?
衡量结果,掌控趋势
ServiceNow公司IT业务管理与DevOps副总裁兼总经理RJ Jainendra认为,DevOps领域内的发展可谓参差不齐。尽管不少团队取得了进步与成功,但也有一部分DevOps核心挑战仍在困扰各类企业。根据他的观察,一些小型、独立的DevOps计划大放异彩,但由于开发与运营团队之间仍存在着多种手动流程、可见性不佳以及工具种类繁多等问题,在规模扩展的过程中往往会损害其中强调的敏捷性。例如,不少客户的软件发布速率并未显著提高,他们声称DevOps流程与现有工具选项之间存在巨大冲突,这也成为阻碍其进步的主要障碍。
Jainendra还指出,质量控制也是阻碍DevOps成功的一块拦路石。“安全性与合规性都是难以克服的问题。团队现在虽然可以快速行动,但关于风险、安全性、变更及合规性的企业流程并未跟上发展的步伐。为了真正实现DevOps成功,组织需要一步步推动这些流程的现代化与自动化转型。”
当然,Jaindendra并不否认敏捷化的进步。他提到,通过实施更广泛的敏捷管理,可以看到业界对于敏捷方法的扩展问题已经抱有充分关注。另外,团队也从敏捷方法中受益匪浅,凭借创造效率文化的新能力不断提高生产效率。即使面对大多数员工需要远程办公的现实情况,我们仍然也可以在疫情之下获得不逊于以往的团队协作优势。未来的需求是更全面地定制敏捷工作。目前,组织往往无法针对自身情况调整敏捷计划。与其他实践或者方法论一样,敏捷化的实现方法也需要进行定制,确保以最高效的方式解决当前面对的独特需求与挑战。通过定制敏捷实践,组织将让自己的工具更有效、更具吸引力。
但很多人还不太了解敏捷化趋势的当前发展状况。Roeder Consulting公司创始人兼总裁Tres Roeder表示,“项目管理专家总是爱片面强调优势。毫无疑问,敏捷化在软件开发层面带来了诸多助益,包括澄清角色定位、改善沟通效果并增强团队能力等等。但除此之外,敏捷化在其他领域的收益则缺乏确切证明。自从几年之前敏捷宣言发布以来,狂热支持者们就一直将其视为解决所有难题的万灵药。但事实并非如此,敏捷革命本身遭遇严重失败。不少亲身投入其中并愿意全面转型的组织,都深刻意识到了其中的风险。”
例如,敏捷技术在管理时间要求较为严格、以及涉及多个跨学科领域的项目中往往难以起效。假设要发起一项新的广告宣传活动,其中包含软件新产品的明确发布日期。在这种情况下,纯敏捷方法允许编程团队按个人判断自发工作,但这显然难以达到软件发布的冲刺要求。总而言之,敏捷是个“好东西”,但还要讲究一点使用场景。除了混合敏捷方法之外,预测性项目管理技术同样非常重要。Roeder强调,具有前瞻性的现代组织之前采用的只能算是「纯敏捷」方法。如今,必须在开发流程中将自适应技术与预测技术结合起来,建立起动态的定制化混合方法。
云与低代码带来价值
云计算已经成为DevOps与敏捷实践的重要驱动力。随着新冠疫情的爆发,不少企业开始全面转向远程化与数字化流程。除了开始涉足DevOps与敏捷实践之外,人们也对AI等新兴技术产生浓厚的兴趣。AI的介入能够在复杂流程中建立起高效的自动化体系,其低代码特征也引起了人们的广泛兴趣。以此为基础,普通员工也可以在极短的时间内创建、部署并扩展应用程序。但必须承认,这一切还无法给原有传统方法带来颠覆性的重大影响。
过去一年来它们在DevOps的应用领域获得了长足进步,团队切身感受到了DevOps的价值,因此对其抱有充分的信心。不过,DevOps目前还缺少一种能够在云之外独立存在的实现方式,这无疑拖慢了变革的速度。在大部分场景下,这种对云的严重依赖限制了DevOps能力的全面发挥。此外,对DevOps的分析工作也不够完善。
DevOps的核心诉求在于提高流程效率,但很多组织并不重视对结果的衡量乃至对后续监控的规划。如果无法确切理解业务变化并快速做出反应,那么持续改进将只是一句空话。
此外,低代码解决方案将成为推动DevOps发展的关键动力,分析功能缺失问题也有望由此得到解决。以往,围绕数据生成有意义的仪表板与报告内容是一项费时费力的技术性挑战。如今,低代码解决方案的出现使业务用户能够轻松从流程中提取数据并导入仪表板,快速获取相应洞见。因此,只要用发展解决发展的问题,我们终将归来DevOps全面爆发的一天。
好文章,需要你的鼓励
在AI智能体的发展中,记忆能力成为区分不同类型的关键因素。专家将AI智能体分为七类:简单反射、基于模型反射、目标导向、效用导向、学习型、多智能体系统和层次化智能体。有状态的智能体具备数据记忆能力,能提供持续上下文,而无状态系统每次都重新开始。未来AI需要实现实时记忆访问,将存储与计算集成在同一位置,从而创造出具备人类般记忆能力的数字孪生系统。
中国人民大学和字节跳动联合提出Pass@k训练方法,通过给AI模型多次答题机会来平衡探索与利用。该方法不仅提升了模型的多样性表现,还意外改善了单次答题准确率。实验显示,经过训练的7B参数模型在某些任务上超越了GPT-4o等大型商业模型,为AI训练方法论贡献了重要洞察。
OpenAI首席执行官阿尔特曼表示,公司计划在不久的将来投入数万亿美元用于AI基础设施建设,包括数据中心建设等。他正在设计新型金融工具来筹集资金。阿尔特曼认为当前AI投资存在过度兴奋现象,类似于90年代互联网泡沫,但AI技术本身是真实且重要的。他承认GPT-5发布存在问题,并表示OpenAI未来可能会上市。
南加州大学等机构研究团队开发出突破性的"N-gram覆盖攻击"方法,仅通过分析AI模型生成的文本内容就能检测其是否记住了训练数据,无需访问模型内部信息。该方法在多个数据集上超越传统方法,效率提升2.6倍。研究还发现新一代AI模型如GPT-4o展现出更强隐私保护能力,为AI隐私审计和版权保护提供了实用工具。