【附PPT】当Scrum Master遇上LLM：智能体时代的敏捷范式革命与“AI员工”进化论|演讲实录

本文内容来源：优普丰AI敏捷创新培训与咨询机构 申导在「2025北京敏捷之旅」分享《当Scrum Master遇上LLM：智能体时代的敏捷范式革命与“AI员工”进化论》

本文含演讲实录、演讲视频回放

大家上午好！感谢漂亮的主持人。刚刚我拿的这本书是《Clean Agile》的全新翻译版，由天津、北京及上海敏捷社区的伙伴们联合重译，此前的版本是由我和熊节、罗涛共同翻译的。

这本书的核心作者是Uncle Bob，作为敏捷发起者之一，他的理念核心就是“正本清源”——当初我们想把这个作为副标题，出版社认为攻击性太强，但事实确实如此，如今敏捷的范畴被过度扩大，需要我们回归本质。

今天我想和大家分享近一年来的从业心得。我本身深耕敏捷咨询培训领域，曾在企业内部推动敏捷推广、担任敏捷教练，至今已有20年时间。刚才在现场发现不少同学是优普丰AI敏捷创新培训咨询机构的CSM学员，应该对敏捷的核心手势很熟悉。

前面的老师提到“敏捷已经死了好几回了”，还调侃这次是不是该“死透了”，但我想说，敏捷没死，反倒是编程快死了——当然下午也会有老师会分享编程相关内容，看看他们能不能“救活”它。

现在行业内确实存在一个现实：不少敏捷从业者，包括Scrum Master、敏捷教练，都转行去卖保险了。休息室里的交流也印证了这一点，行业寒冬真实存在，但这不是敏捷的问题，而是全行业的普遍困境。

在这样的背景下，行业正经历大浪淘沙、去芜存精的洗牌过程。我始终认为敏捷精神从未消失，在大模型时代、AI时代，它正以新的范式、新的面貌焕发新的生命力。

过去一年，我除了继续推进敏捷培训、企业咨询（包括业务敏捷咨询），也在积极探索AI产品实践，不管是个人主导的小工具还是大型产品都有尝试，同时也观摩了不少企业客户的AI应用案例，今天就把这些思考和实践分享给大家。

今天的分享主要分为五个部分：

1. 敏捷的危机与天时
2. AI适合解决的问题
3. 多智能体与AI员工
4. 如何管理“AI hybrid-人机混合团队”
5. 总结与展望

一、敏捷的危机与天时

首先我们来看当今时代的特点。

以前我们谈论敏捷，聚焦于迭代周期的缩短。我在诺基亚电信任职时，迭代周期是4周，后来缩短到2周；前两天还有客户团队和我掰扯，说2周做不完，想改成3周。

但放在当下，这个讨论已经没有意义了，因为AI的速度早已颠覆认知。最新的Gemini-3-Flash模型，每秒能处理218个Token，大约相当于200个单词或200个汉字。大家可以想想，自己一秒钟能说200个字、写200行代码吗？显然不能，但AI可以。

这极大地加速了执行效率，而学过敏捷的同学都知道，敏捷的核心是快速验证、快速迭代，当执行速度倍增，迭代验证速度自然也会随之加快。

但这里有个关键前提：如果敏捷只关乎“快”，那人类已经输了，我们不能和机器拼速度，而要找到人类的核心价值。

虽然编程正逐渐被AI替代，但AI本身已成为国家战略重点——“十五五”规划明确提出要加速人工智能技术产业化应用，推动传统行业智能化转型。

从技术成熟度来看，Gartner 2025 AI技术成熟度曲线显示，生成式AI高达52亿美元的市场正从“期望膨胀期”进入“生产力平台期”，国内的腾讯、火山、阿里等巨头也跻身全球挑战者阵营。

更重要的是，我们正迎来“建设权的民主化”，这是一个巨大的时代机遇。以前在企业里做业务、做产品，必须找IT部门、找程序员编程，不仅成本高，还常常出现需求沟通不畅的问题，业务方抱怨程序员听不懂需求，程序员吐槽业务方描述不清晰。但现在有了AI，只要你能说清业务需求，就能直接让AI构建出系统，这就是AI平权，人人都能快速构建属于自己的产品。

当编程能力越来越不值钱时，逻辑思维和业务梳理能力就成了核心竞争力。用Scrum的话说，就是PO的重要性将超越Developer，而这恰恰是在座敏捷从业者的优势所在。

同时，Scrum Master或敏捷教练的管理对象也将改变，不再是3-9人的传统小团队，而是人机混合团队，管理思维和范式必须随之升级，这是新时代的召唤。

基于这样的行业变革，今年5月，杭州RSG中国敏捷嘉年华大会上，我和熊节、徐昊、李国彪等老师共同成立了“AI雪鸟会”。这个名字借鉴了2001年敏捷宣言的诞生地——美国犹他州雪鸟镇，我们的核心使命是推动信息系统建设权的民主化，让AI技术从云端走向实体经济，服务于千行百业的真实场景和个体需求。我们希望不仅让更多人“使用”AI，更要赋予每个人“建设”“创造”AI应用的能力，即便他们只有基础教育背景。

基于AI平权的趋势，我提出了“赛博共产主义”的概念——在赛博世界里实现按需生成、无限共有。

传统软件开发就像工业流水线，需求分析、设计、编码、测试、部署每个环节都需要专业人员，还有人固守瀑布模型，觉得先做全需求分析、再开发编码测试的模式很好，但这种模式早已过时。那些只会写CRUD（增删改查）的程序员，尤其是开发各类管理系统的程序员，将成为第一批被淘汰的群体，因为AI在这类工作上做得更快、更好。

软件开发正从“应用工厂”转向“按需生成”，以前是“私有制”的预制应用，现在是“共产主义”的按需获取，只要你有想法、有创意、有业务需求，就能立即构建系统，用完即走。

未来的软件不是被“开发”出来的，而是被“生长”出来的。

二、AI 适合解决的问题

可能有朋友会问，AI真的能解决所有问题、构建所有产品吗？这里给大家分享几个最新案例。

左上角是上个月谷歌推出的Gemini 3的Demo，它能按需生成软件界面，每个人都能获得个性化界面，不一定是传统的下拉框、按钮，也可能是图形化展示，完全适配个人需求。

左下角是曾经上过新闻的豆瓣手机，它能控制所有APP，无需再单独打开美团、淘宝等应用，只要说出需求（比如“中午点外卖送到维也纳酒店”），它就会自动跳转各类APP完成查询、下单，也正因为这样，它被所有APP厂商集体抵制，毕竟这切断了他们的开屏广告和贷款业务收入。

右侧是阿里推出的“灵光”APP，主要面向有小孩的家庭，比如家长说“做个少儿英语拼读小应用，分高中低三档”，它就能立即生成一个小猫拼词的界面，从功能到界面全流程生成，无需找程序员，也不用花钱，这就是未来软件的形态。

再给大家分享几个企业级的AI应用故事，这些案例的共性都是解决过去非规则化、难以用传统编码解决的问题。

第一个案例是加拿大的电工行业，电工工作高度依赖经验，且有严格的合规要求，比如管道间距、埋线深度、接地标准等，相关合规文档厚达900页，全是法律文书式的描述，即便读完也难以判断是否合规。

传统做法是靠老电工现场指导新电工验证，但我们通过AI技术解决了这个问题：现场施工完成后拍照，AI识别图片中的电线、管道等物体，再利用超强的阅读理解能力，自动核查80%的合规项。这种非规则化的合规检验问题，传统的增删改查编码根本无法解决。

第二个案例是某IT企业的尝试，他们想做一个将Figma设计图直接生成前端代码的工具，功能确实实现了，但没人用。核心问题是大家不愿意改变使用习惯，而且不知道在对话框里说什么才能精准生成所需内容。虽然这个尝试不算成功，但方向是对的——由文生图、由图生成前端代码是未来趋势。

第三个案例是我的一个外资制造业客户，他们最近为销售部门上线了一款AI助手。作为零配件供应商，销售需要给客户送样，而样品参数繁多，销售常常记不清。AI助手能从海量样品库中快速匹配合适的样品，还能调取其他客户的成功案例生成报告，极大提升了中标几率，上线后获得了销售人员的一致好评。

这三个案例的核心共性的是，它们解决的都是非规则化、难以用传统规则（if-then）描述的问题，这类问题我们称之为“无限游戏”，没有明确边界和规则，而这正是AI最擅长的领域。

李开复曾说“AI时代值得把所有应用都重新用AI做一遍”，但我并不认同，如果只是重新做一遍增删改查系统，没有任何增值意义，只有解决过去未解决的问题，才能创造新价值。

三、多智能体和AI员工

很多人说“人不会被AI替代，因为人有同理心”，但我不完全认同。现实中，员工骂老板、家人之间互相抱怨的情况很常见，很多人其实缺乏同理心，和人沟通反而更费劲。

相比之下，和AI沟通可能更轻松，但前提是你能把话说清楚。很多人抱怨AI“胡说八道”，其实问题出在提示词上——就像业务方丢给你一句“我要一个五彩斑斓的黑”，你也无法准确执行。

我总结的基本提示词技巧就是：心平气和地把话说清楚。发脾气没有用，AI就像一面镜子，能折射出你是否能清晰表达需求，也是锻炼耐心的好训练场。

回到敏捷视角，提示词其实和需求分析、用户故事很像，核心结构包括三个部分：一是角色设定，明确你希望AI扮演什么角色；二是目标设定，说清你要做什么、期望达成的结果；三是验收边界标准，明确输出的质量要求和范围，再加上足够的素材，就能获得优质的回应。而且大模型迭代速度极快，上半年解决不了的问题，下半年可能就迎刃而解了。

（添加小智，输入暗号“AI秘笈”，获得提示词模板）

对于Scrum Master或PO来说，日常工作中有很多场景可以借助AI提效，比如拆分用户故事、工作量估算、会议总结等，这些都能通过简单提示词快速完成。

但仅靠简单提示词还不足以发挥AI的全部威力，于是我们提出了工程化方法——提示词工程（Prompt Engineering）。

大家看这个提示词工程的循环图，是不是和敏捷或设计思维的循环很像？和AI对话应该是多轮迭代的过程，每次根据输出结果调整提示词，人、机共同优化，才能达到最佳效果。从这个角度看，敏捷思维不仅没死，反而在AI时代找到了新的应用场景。

不过到了下半年，我们发现提示词工程仍然不够，AI应用已进化到“智能体”阶段，2025年被称为智能体元年，如今已接近尾声。

什么是智能体？它不仅能响应提示词，还具备记忆功能（记住过往对话和操作）、工具调用功能（比如调用网络搜索、文件系统，甚至连接物理世界的传感器），是真正能与物理世界交互的“机器人”，而不只是存在于文字层面的工具。

可能有同学刚听说“智能体”（英文Agent）这个词，其实现在最新的概念是“多智能体系统”（Multi-Agent System），就像多个专业人员协作一样，不同智能体各司其职，有的负责写代码，有的负责测试，有的负责部署，它们之间需要编排、调度和协作机制。

大家可能会担心“这需要编程吗？”，答案是不需要，接下来我会告诉大家如何用自然语言构建智能体。

有了智能体，我们就能打造“AI员工”。今年“一人公司”的概念很流行，尤其是从企业离职的朋友很多想尝试自主创业，但其实我们不用做“一人员工”，而是可以拥有多个“AI员工”。

那么在AI大潮中，我们该做什么才能获利？很多人做AI生图、改头像等小工具，发布到网上想盈利，但这种项目重运营，人人都能做，根本赚不到钱。我把AI相关的创业方向分为三个层级，大家可以朝这三个方向努力：

• 第一层是“助手”，核心是提高效率；
• 第二层是“顾问”，核心是提供洞察；
• 第三层是“教练”，核心是改变行为。

我目前也在这三个方向上积极尝试。

先看第一层“助手”的案例。

第一个是自媒体图文生产，很多人失业后想做小红书、公众号、视频号，但做过的都知道很繁琐，想脚本、剪视频、发布，耗时耗力，结果观看量还很低。

其实我们可以把重复性工作交给AI，只把精力放在创意和话题构思上。今天是冬至，我就做了一个尝试：给AI一个“农历新年冬至”的标题，它不仅生成了小红书风格的文章，还自动生成了文生图的提示词，用这个提示词就能生成配图。我甚至通过Selenium这个自动化工具实现了全流程自动化——调用浏览器、自动登录小红书、粘贴内容发布，我只需要输入主题即可。

不过这个过程中需要“人机回环”，比如生成的配图中文字有误，这时候就需要人介入决策，让AI重新生成，这也是智能体必须具备的功能。

第二个“助手”案例是编码助手，现在有很多成熟的工具可以使用，下午参加编程工作坊的同学应该都有接触，这部分技术已经很成熟，我就不多展开了。

另外，今天我这份演讲的PPT，部分内容也是AI生成的，最初的大纲让AI梳理了4个版本，之后我用自己做的小智能体、Gamma工具、阿里千问和豆包分别生成PPT，发现Gamma工具的效果最好，文字结构和生图都很出色，我做的次之，千问和豆包的效果则不太理想，核心原因是背后的模型不同，使用Gemini这类高级模型，效果会明显更好。

接下来是第二层“顾问”。

和“助手”不同，“顾问”不需要你明确告知要做什么，而是能自主决定工作内容、提供专业洞察。

第一个案例是朋友熊节利用开源工具AgentForge做的项目——评估南方国家数字主权自主程度。这个项目需要调用大量数据，从国内外各类网站收集信息，然后提炼洞察，最终自主决定报告结构和内容。

整个过程无需任何编程，只需在Markdown文件中用自然语言描述目标、研究方向和方法论，这个开源软件就会自动生成三层智能体：数据收集智能体、分析智能体、报告生成智能体，甚至可以启动多个实例并行运行。最终这个项目评估了450多条高质量数据，输出了1.13万单词的结构化报告，耗时6小时。如果让人来做，不知道要花费多少时间，而且这个报告还被用于政府参考。

第二个“顾问”案例是我的客户案例，客户有大量案例需要萃取，包括原始录音、PPT等素材，需要我从中找共性、提炼方法论洞察。面对海量素材，我必须借助智能体。左边是我的工作目录，包含原始素材、报告编辑版本等，右边是用自然语言写的客户要求、规范等，提示词也是AI生成的，我把这些按类别整理好，对应不同的智能体，运行后就能完成案例萃取工作。

第三个“顾问”案例是投标场景，投标过程繁琐，需要仔细阅读招标公告，梳理职责、任务、背景、时间节点、预算约束等信息。通过类似AgentForge的框架，把这些信息输入后，就能自动生成投标书。做过投标的都知道，很多投标书其实没人仔细看，只是走流程，但又不得不做，AI正好能解决这个痛点。

再看第三层“教练”。

这是三个层级中最难实现但也最有温度的，核心是通过持续对话引导思考、挑战假设，帮助用户成长，就像敏捷教练改变团队工作方式一样。

这个案例是我为孩子做的雅思作文批改工具，现在已经上线了。不管是雅思托福作文，还是中小学作文，都属于非规则化学科，不像数学物理有明确答案，作文评分主观性强，不同老师可能给出不同分数，即“文无第一”。但AI特别适合做这件事，这个工具的使用很简单：选择雅思真题，粘贴作文习作，就能快速获得批改结果，包括得分评估、润色建议、提分方向、措辞纠错、逻辑梳理等，最后还会生成范文。

大家可以对比一下传统雅思作文批改和AI批改的差异：找机构老师精批一篇作文，费用100-300元，周期3-7天；而用这个AI工具，一分钟就能完成批改，而且可以无限次迭代——重新写一篇粘贴进去，一分钟就能获得新的反馈。

学过敏捷的都知道，迭代速度越快，学习成长越快。更重要的是，这个AI“教练”能不厌其烦地给出反馈，还能提供个性化指导，通过分析历史学习记录，发现用户的薄弱点，因材施教。

目前我们正在和广东一家民办学校合作，计划把这个工具接入他们的教学系统，应用到学科竞赛等场景中，明年上半年应该能看到效果。

四、管理“AI hybrid 团队”

讲完了AI产品的三个层级，再和大家分享如何管理“AI员工”。

前阵子我研究了Anthropic官方发布的Coding Agent指南，发现管理智能体和管理Scrum团队惊人地相似，完全可以用成熟的敏捷流程来管理AI团队成员，这不是理论，而是经过验证的工程化方法论。

第一点是“记忆与同步”，相当于Agent的“每日站会”。传统每日站会中，团队成员围在看板前同步昨日工作、今日计划和遇到的障碍，但Agent没有长时记忆，不知道之前做过什么。我们可以通过读取Git Log了解代码变更历史、同步系统状态、加载feature_list.json（包含200多条功能清单，相当于Backlog），让Agent明确工作背景，这就是AI版的每日站会。

这里要强调的是，JSON格式结构化强，能有效抵抗模型篡改或遗忘需求，是Agent的“生命线”。

第二点是“质量守护”，相当于Agent的“完成定义（DoD）”。很多人担心AI“瞎编”，这就需要建立明确的质量标准。Agent完成功能后，不能直接提交代码，必须通过结构化检查清单，包括代码规范、测试覆盖、文档完整性等，全部验证通过后，才能将feature_list.json中的状态改为“completed”，之后才能提交到主分支。这和敏捷中的DoD完全一致——不仅要“做完”，还要“符合标准”。

第三点是“反馈闭环”，相当于Agent的“测试驱动开发（TDD）”。我们可以给Agent配备Puppeteer这类浏览器自动化工具，让它写完代码后自主打开浏览器、点击按钮和输入框、观察页面反馈、检测报错，这样就能发现只有用户操作才会暴露的Bug。其实构建强大的Agent，关键不是依赖更聪明的模型，而是依靠软件工程化的敏捷流程，包括持续集成（CI）——每次代码提交自动触发测试套件，通过自动化验收测试模拟真实用户行为，发现问题后立即反馈给Agent修复。

五、未来展望

最后和大家分享未来展望。我们正站在历史性转折点上，未来的组织可能不再需要庞大的IT部门来构建系统，未来的Scrum Master也不再是单纯订会议室、记会议纪要的协调员，而是组织中的“首席智能体官（Chief Agent Officer）”。

未来我们的核心工作有三项：

• 一是定义意图，明确业务目标和期望结果；
• 二是编排智能体，设计AI Agent的协作网络；
• 三是管理概率，优化AI输出的质量和可靠性。

最后我想强调：AI不会取代敏捷，更不会取代敏捷教练，但懂AI的敏捷教练一定会取代不懂AI、不愿动手的教练。敏捷的本源是动手尝试、拥抱变化，现在大家都在谈论AI，关键是要亲自实践，去理解AI时代的敏捷该如何应用，只有亲身体验才能真正掌握。