在过去的几个月里，我的同事们（Thoughtworker）一直在构建 Team AI 项目，一个围绕于 AIGC 辅助开发团队的野心勃勃的计划。在内部，我们还有一个名为 Team AI Hackathon 的活动，基于一个内部的 Team AI 代码库，探索构建适合于不同软件研发团队的 Team AI。

结合我的认知，以及我们在 AutoDev 上的探索，我所理解的 Team AI 是这样的：

Team AI 是一个加速器，旨在协助团队构建轻量级 AIGC 辅助效能提升机制。它可充当任务助手，以简化和加快日常事务中频繁执行的任务；它也可充当知识增强工具，协助团队进行头脑风暴，并更早地在交付过程中发现问题；此外，它还可以充当团队的"合作伙伴"，将团队的约定规范与生成式AI相融合。

在这篇文章里，我将介绍我对于 Team AI 的理解，以及如何构建 Team AI，加速团队的研发效率。

不同的团队，可能需要根据其特定需求和业务领域，定制自己的 AIGC 助手。作为一个曾经担任过后端、移动端、前端的 Tech Lead，我深深地理解这一样。特别是不同类型的团队，对于 AIGC 所需要提升的点是大为不同的。

诸如，我们在 Chocolate Factory 构建的自然语言生成 UI 代码的示例里，是会根据团队的规范、组件库、业务信息等来生成 UI 代码的。也因此，在不同的场景之下，我们所需要的这种能力也是颇为不同的。哪怕是在金融企业里，不同部门所处的业务领域也会有所差异的。

而会影响构建统一 AIGC 的原因，还包含了（由 ChatGPT 辅助生成）：

不同类型的任务和工作流程。一些团队可能需要处理大量数据分析，而其他团队可能更关注客户服务或生产流程。

团队规模和组成。不同团队的规模和成员组成也会有所不同。一些团队可能由少数成员组成，而其他团队可能是大规模的企业部门。

不同的战略目标和优先级。一些团队可能更关注成本削减，而其他团队可能更关注创新和增长。

……

而从另外一个层面来讲，我们在团队拓扑中所定义的不同类型的团队，也会在使用 Team AI 场景上有所差异。

诸如于，我们更建议赋能型团队、平台型平台，应该拥有自己的 AIGC 知识聊天助手。

让我们再回到先前的定义：

Team AI 是一个加速器，旨在协助团队构建轻量级 AIGC 辅助效能提升机制。它可充当任务助手，以简化和加快日常事务中频繁执行的任务；它也可充当知识增强工具，协助团队进行头脑风暴，并更早地在交付过程中发现问题；此外，它还可以充当团队的"合作伙伴"，将团队的约定规范与生成式AI相融合。

尽管我们落地 Team AI 的场景更多的是在软件研发上，但是结合我们的 AIGC 应用场景来看，Team AI 可以适用于所有的团队 —— 诸如营销团队，可以构建用户画像，根据用户画像来生成不同的营销方案、营销内容等等。

我们设计 Team AI 的初衷是，构建适用于团队的轻量级、高频/高价值场景下的 AI 辅助工具。

轻量级意味着我们能快速构建和应用我们的 Prompt 或者 AIGC 功能，诸如于 AutoDev 的 Team Prompts 功能，可以直接读取项目中的 promtp，并作为 IDE 功能的一部分。

高频/高价值场景。高频场景只是一个相对的值，只要一个任任务相对频繁或者相对比较繁杂，我们就可以考虑结合 AIGC 来辅助提升。

而团队就意味着，要由团队协作来完成自己的 AI 辅助工具。

它需要什么样的能力：

快速访问不同大模型的能力。除了文本、图像、音频等的大模型，同一类型的模型在能力上也是有所差异的。

团队共享的 prompt 空间。根据不同团队的组织目标，创建、存储和组织自定义的 prompt 库。

团队协同的 prompt 设计。在内部持续优化和完善提示词，允许存在个人的分支，以确保在内部更好的交流、分享。

知识辅助增强能力。即内部可以快速上传文档，并从中检索出关键信息，以生成关键的洞见信息。

应对于这些需求，从我们现有的探索来看，有三种方式能构建我们的 Team AI。

在今天，构建 Team AI 已经变得非常的简单，从我们的案例里找到了三种方式：结合现有工具、定制端到端应用、基于平台能力构建。

从 Team AI 的角度来说，最简单的方式是结合已有的工具。在有了这个思考之后，我们在 AutoDev 里构建了 Team Prompts。它可以集成到代码库中，以用便于：

在团队里，共享你的 prompt，而不再是个性化的配置。

可以在各自的团队里分享自己的 AI 经验。

不再需要定制更多的 IDE 需求，只需要提供接口能力即可。

那么，对于软件开发团队来说，它就是一种非常简单的 Team AI 方式。当然了，市面上也有非常多的这一类的工具。

如开头所说，Team AI 从已经构建的内部工具作为起点。它与现有工具相比，更适合于定制团队所需要的端到端方案。

诸如于，在我们的 Team AI 基础代码库中，提供的 SQL 生成示例里，你需要填入一些基础的 SQL 信息。而在多数场景下，我们可以直接使用对应的 Java 对象，或者结合现有的数据库表。在具备了更准确上文的情况下，生成的内容质量更加准确，那么对于开发团队的提升就更高。

而在我们具备了 LLMOps 平台之后，要构建这一类的应用就更加简单。

今天，我们可以看到有大量的组织构建了自己 LLMOps 平台，并且也有一系列的开源平台，诸如 Dify 等。当然了，我们内部也有一个类型的 LLMOps 平台：GluonMeson，正在计划开源中。

回到这些平台来说，它们都能快速创建应用、生成式应用、会话式应用等等。围绕于这些能力（诸如于 API、多模态），我们能快速构建属于团队的 Team AI。

除此，我们也可以从搜索引擎中发现，一些 AI 初创公司也在这个点上发力。通过构建经典的 Team Workspace 方式，来提供这种协作能力，并将不同能力集成在一起。

最后，让 ChatGPT 来总结这篇文章：

Team AI 是一个旨在协助团队提高工作效率的项目，通过简化任务、知识增强和合作伙伴支持。它可以根据不同团队的需求和应用领域，采用不同的构建方式，从结合现有工具到定制化端到端应用，以加速团队的工作流程。Team AI 的关键目标是为高频、高价值的场景提供轻量级AI辅助工具，以满足团队的特定需求。