人类负责、Agent 驱动的产品开发框架

Draft Version 0.2

作者：优普丰敏捷 AI 咨询，申导

目的

人工智能正在改变产品开发工作的基本结构。

过去，产品开发的主要生产能力存在于人类团队之中。知识、经验、专业技能和判断主要由人掌握，工具主要用于辅助人类完成工作。

随着 Agentic AI 的发展，越来越多原本依赖人类专业能力完成的工作，可以被显式地编码为：

• Context
  
• Skills
  
• Agents
  
• Evals
  
• Gates
  
• Hooks
  
• Automated Toolchains
  

因此，团队不再只是由一组人组成。

团队正在成为：

由少量人类领导、由人类和 Agent 共同构成的能力系统。

AI-Native Scrum 为这种新的工作方式提供一个轻量级框架。

它保留 Scrum 的核心思想：

• Empiricism
  
• Lean Thinking
  
• Self-Management
  
• Transparency
  
• Inspection
  
• Adaptation
  

同时重新定义 AI-native 环境中的：

• Team
  
• Capability
  
• Collaboration
  
• Artifacts
  
• Sprint
  
• Execution
  
• Human Accountability
  

AI-Native Scrum 的目的不是让团队：

更快地产生更多 AI Output。

它的目的，是帮助团队：

通过人类判断、共享 Context 和 Agentic Execution，持续创造经过验证的价值。

AI-Native Scrum 的定义

AI-Native Scrum 是一个轻量级框架，用于帮助人类领导的团队利用 Agentic Capability 解决复杂问题并创造价值。

AI-Native Scrum 中：

Human takes accountability.

人工智能可以自主执行工作。

但人工智能不承担最终 Accountability。

人类负责：

• Value
  
• Judgment
  
• Trade-offs
  
• Risk Acceptance
  
• Accountability
  

Agents 可以承担：

• Analysis
  
• Exploration
  
• Planning
  
• Execution
  
• Testing
  
• Monitoring
  
• Evaluation
  
• Adaptation
  

AI-Native Scrum 的核心不是 Human 与 AI 的简单协作。

它是：

Human Accountability over Agentic Production.

AI-Native Scrum 理论

AI-Native Scrum 建立在经验主义之上。

知识来自经验。

决策基于已经观察到的结果。

AI-Native Scrum 使用：

• Iteration
  
• Increment
  
• Automation
  
• Agentic Execution
  

来提高学习速度和创造价值的能力。

经验主义依赖：

• Transparency
  
• Inspection
  
• Adaptation
  

透明

重要的工作和创造价值的过程必须具有足够的透明度。

在 AI-Native Scrum 中，透明不仅包括工作状态。

还包括：

• Intent
  
• Context
  
• Decisions
  
• Constraints
  
• Plans
  
• Agent Actions
  
• Evaluation Results
  
• Evidence
  

Context 是透明的重要组成部分。

如果 Context 只存在于某个人的脑中，或者只被某一个 Agent 持有，那么团队无法有效检视和适应。

因此：

Context required to create value is a shared asset of the Scrum Team.

检视

工作结果和朝着目标的进展必须被经常检视。

AI-Native Scrum 不要求人类检视所有 Agent Output。

随着 Agent 的执行能力提高，这种方式无法扩展。

检视应重点关注：

• Value
  
• Risk
  
• Exceptions
  
• Uncertainty
  
• Evaluation Failures
  
• Important Trade-offs
  

Automation 和 Evals 应承担大量常规检视工作。

人类将注意力集中在：

需要判断的地方。

适应

当观察到的结果与预期存在偏差时，必须进行适应。

AI-Native Scrum 中，适应可能改变：

• Product Direction
  
• Intent
  
• Context
  
• Plans
  
• Skills
  
• Agents
  
• Evals
  
• Gates
  
• Toolchain
  
• Product
  

AI-Native Scrum Team 不仅适应产品。

它也持续适应：

创造产品的 Team Capability System。

AI-Native Scrum Values

AI-Native Scrum 保持以下 Scrum Values：

• Commitment
  
• Focus
  
• Openness
  
• Respect
  
• Courage
  

这些价值观同样适用于 Agentic Environment。

其中，Openness 的实践范围扩展。

团队不仅对：

• Work
  
• Progress
  
• Problems
  

保持开放。

还对：

• Context
  
• Decisions
  
• Constraints
  
• Knowledge
  

保持开放。

Collective Context Ownership

Context 是团队的共享资产。

它不属于某一个人。

也不属于某一个 Agent。

AI-Native Scrum Team 共同拥有创造价值所需要的 Context。

任何团队成员都可以：

• 补充 Context；
  
• 修正 Context；
  
• 改进 Context；
  
• 挑战过时的 Context。
  

这类似于 Extreme Programming 中的：

Collective Code Ownership。

在 AI-Native Scrum 中：

Collective Context Ownership.

避免 Context 成为：

• Knowledge Silo；
  
• Personal Dependency；
  
• Agent Dependency。
  

AI-Native Scrum Team

AI-Native Scrum Team 是一个小型、自管理和跨职能的价值创造系统。

它包括三类 Human Accountabilities：

• Product Owner
  
• Developers
  
• Scrum Master
  

AI-Native Scrum 不增加第四个 Agent Role。

Agents 不承担 Scrum Accountabilities。

Agents 是团队能力的一部分。

因此：

The Scrum Team is human-led. Its capability system may include both humans and agents.

Product Owner

Product Owner 对最大化产品价值负责。

Product Owner 对以下事项负责：

• Product Goal；
  
• Value；
  
• Prioritization；
  
• Product Direction；
  
• Value-related Trade-offs。
  

AI 可以帮助 Product Owner：

• 分析用户反馈；
  
• 综合信息；
  
• 发现模式；
  
• 生成假设；
  
• 形成 Intent。
  

但是：

AI does not own the Product Goal.

Product Owner 保持最终 Accountability。

Developers

Developers 对创建可用 Increment 负责。

在 AI-Native Scrum 中，Developers 的工作能力来自：

• Human Developers；
  
• Agentic Capability；
  
• Skills；
  
• Context；
  
• Toolchains；
  
• Automated Controls。
  

因此，Developers 不应被理解为：

一组必须亲自完成所有工作的 Human。

Developers 是：

The human-led development capability responsible for creating the Increment.

人类 Developers 对结果保持 Accountability。

Agents 可以作为 Developers 的执行能力。

未来，一个 Developer Group 可能只有少量 Human Developers，同时领导：

• Coding Agents；
  
• Test Agents；
  
• Review Agents；
  
• Research Agents；
  
• DevOps Agents；
  
• Monitoring Agents。
  

因此：

Agents are not equal accountability holders. They are autonomous execution capabilities directed and governed by humans.

Scrum Master

Scrum Master 对 Scrum Team 的有效性负责。

在 AI-Native Scrum 中，Scrum Master 帮助团队：

• 理解 AI-Native Scrum；
  
• 建立有效的 Human Cycle；
  
• 建立有效的 Agentic Cycle；
  
• 改进 Human–Agent Interaction；
  
• 提高 Transparency；
  
• 减少 Human Bottlenecks；
  
• 改进 Team Capability System。
  

Scrum Master 不负责管理 Agents。

Scrum Master 帮助团队改善：

人类判断、Agentic Execution 和团队能力系统之间的整体流动。

Team Capability System

传统团队的主要能力依赖：

• Human Knowledge；
  
• Human Skills；
  
• Human Collaboration；
  
• Human Judgment。
  

AI-Native Scrum 中，部分 Human Capability 被显式化、软件化和自动化。

Team Capability System 包括：

• Human Capability；
  
• Shared Context；
  
• Skills；
  
• Agents；
  
• Evals；
  
• Gates；
  
• Hooks；
  
• DevOps Toolchain；
  
• LLMOps Toolchain。
  

这些能力共同支持团队创造价值。

Skills

Skills 是可复用能力的 Artifact。

Skills 可以编码：

• Knowledge；
  
• Procedures；
  
• Standards；
  
• Best Practices；
  
• Domain Expertise；
  
• Instructions。
  

Skills 将原本存在于 Human Experience 中的部分能力，转化为可被 Agent 使用和持续改进的 Capability。

Skills 应当：

• Versioned；
  
• Inspectable；
  
• Reusable；
  
• Adaptable。
  

Agents

Agents 是能够基于 Context 和 Capability 自主执行工作的能力。

Agents 可以：

• Reason；
  
• Plan；
  
• Act；
  
• Use Tools；
  
• Produce Artifacts；
  
• Evaluate Results。
  

Agents 不承担 Accountability。

Evals

Evals 用于判断：

• Agent Output；
  
• Product Behavior；
  
• Capability Quality。
  

Evals 是 Agentic System 的经验主义机制。

它们提供 Evidence。

Gates

Gates 定义：

何时需要进一步的判断或批准。

Gates 可以是：

• Human Gate；
  
• Automated Gate；
  
• Risk Gate；
  
• Release Gate。
  

Hooks

Hooks 是可执行的控制机制。

Hooks 可以：

• Trigger Actions；
  
• Enforce Constraints；
  
• Prevent Unsafe Actions；
  
• Require Approval。
  

Hooks 将部分 Governance 从 Human Process 转化为：

Executable Control.

Toolchain

DevOps 和 LLMOps Toolchain 提供团队的执行基础设施。

包括：

• Source Control；
  
• CI/CD；
  
• Deployment；
  
• Observability；
  
• Evaluation Pipeline；
  
• Model Operations；
  
• Runtime Controls。
  

Toolchain 不是 Scrum Artifact。

它是：

Team Capability Infrastructure。

Three Cycles of AI-Native Scrum

AI-Native Scrum 通过三个相互连接的 Cycle 运行：

1. Human Cycle
2. Agentic Cycle
3. Human–Agent Interaction Cycle

Human Cycle

Human Cycle 是经典 Scrum Cycle 的延续。

它提供：

Collective Human Judgment and Adaptation.

Human Cycle 通常以 Sprint 为节奏。

它包括：

• Sprint Planning；
  
• Sprint Review；
  
• Sprint Retrospective。
  

Human Cycle 不负责管理 Agent 的每一步工作。

Human Cycle 负责：

• Why；
  
• Value；
  
• Priority；
  
• Trade-offs；
  
• Risk；
  
• Learning；
  
• Adaptation。
  

Sprint 是：

A Human Learning and Judgment Cycle.

Sprint

Sprint 是 Human Cycle 的容器。

Sprint 提供规律的机会，使 Scrum Team：

• 共同确定方向；
  
• 检视结果；
  
• 从现实学习；
  
• 调整未来方向。
  

Agentic Execution 可以在 Sprint 中持续进行。

Sprint 不限制 Agent 的执行节奏。

Sprint 提供：

Human Cadence for Collective Inspection and Adaptation.

Sprint Planning

Sprint Planning 启动 Sprint。

整个 Scrum Team 共同明确：

• 为什么这个 Sprint 有价值；
  
• Sprint Goal 是什么；
  
• 当前最重要的 Intent 是什么；
  
• 哪些风险和 Trade-offs 需要关注。
  

Developers 决定如何利用：

• Humans；
  
• Agents；
  
• Skills；
  
• Toolchains；
  

来实现 Sprint Goal。

Sprint Review

Sprint Review 的目的是检视现实。

Scrum Team 与 Stakeholders 共同检视：

• Increment；
  
• Evidence；
  
• Product Outcomes；
  
• User Feedback；
  
• Business Signals。
  

Sprint Review 回答：

What have we learned from reality?

Sprint Retrospective

Sprint Retrospective 的目的是改进团队创造价值的能力。

团队检视：

• Human Collaboration；
  
• Context；
  
• Skills；
  
• Agents；
  
• Evals；
  
• Gates；
  
• Toolchains。
  

Retrospective 不仅改进：

Product Development Process。

它还改进：

The Team Capability System.

Agentic Cycle

Agentic Cycle 是一个持续运行的执行循环。

它不依赖 Sprint Event。

Agentic Cycle 可以由：

• Artifact Change；
  
• Trigger；
  
• Hook；
  
• Exception；
  
• Human Request
  

启动。

一个典型的 Agentic Cycle 是：

Context
   ↓
Interpret
   ↓
Plan
   ↓
Execute
   ↓
Evaluate
   ↓
Adapt
   ↓
Context / Capability Update

Agentic Cycle 的目标是：

Continuous Execution and Learning.

Agentic Cycle 的速度不由 Sprint Length 决定。

它可以运行：

• Minutes；
  
• Hours；
  
• Continuously。
  

Human–Agent Interaction Cycle

Human–Agent Interaction Cycle 连接：

• Human Judgment；
  
• Agentic Execution。
  

Human-in-the-loop 不应该被理解为一个简单的 Workflow Step。

Human 并不是：

在每一个 Agent Action 后进行审批。

Human–Agent Interaction 是一个持续的意义构建过程。

典型循环包括：

Human Intent
      ↓
Agent Interpretation
      ↓
Agent Proposal
      ↓
Human Feedback
      ↓
Agent Adaptation
      ↓
Human Judgment

Human–Agent Interaction 可以通过：

• Conversation；
  
• Artifact Review；
  
• Approval；
  
• Exception；
  
• Gate；
  
• Pull Request；
  
• IDE；
  
• Dashboard；
  

发生。

它的目的不是控制所有 Agent 行为。

而是：

建立 Shared Understanding，并在需要判断时连接 Human Judgment 和 Agentic Execution。

Human-at-the-Gates

随着 Agentic Capability 增强，人类不应成为持续执行中的 Bottleneck。

因此：

Human Attention 应集中在最需要判断的地方。

Human Gates 可以用于：

• Intent；
  
• High-risk Decisions；
  
• Architecture；
  
• Exceptions；
  
• Release；
  
• Risk Acceptance。
  

不是：

Human-in-the-loop everywhere。

而是：

Human judgment where judgment matters.

AI-Native Scrum Artifacts

Artifacts 是工作、知识、意图、决策、证据或能力的持久化表达。

Artifacts 可以被：

• Humans 创建；
  
• Agents 创建；
  
• Humans 检视；
  
• Agents 检视；
  
• 持续更新；
  
• Version Controlled；
  
• Reused。
  

AI-Native Scrum 中，Artifacts 是 Human 与 Agents 之间工作的主要媒介。

Core Scrum Artifacts

AI-Native Scrum 保留三个核心 Scrum Artifacts：

• Product Backlog；
  
• Sprint Backlog；
  
• Increment。
  

Product Backlog

Product Backlog 是为了实现 Product Goal 而需要的工作的涌现和有序集合。

AI-Native Scrum 中，Product Backlog 不一定由传统 User Story 或 Ticket 构成。

Product Backlog 可以由一组 Intent 及其相关 Artifacts 表达。

任何 Stakeholder 都可以与 AI 共同形成初始 Intent。

Intent 可以进一步演进为：

Intent
   ↓
Specification
   ↓
Plan
   ↓
Execution
   ↓
Evidence

Product Owner 保持对 Value 和 Priority 的 Accountability。

Sprint Backlog

Sprint Backlog 是 Developers 在当前 Sprint 中为实现 Sprint Goal 而选择和组织的工作范围。

AI-Native Scrum 中：

Sprint Backlog is the scope of an Artifact Graph.

Sprint Backlog 不默认是：

• Jira Board；
  
• Kanban Board；
  
• Physical Board。
  

这些可以作为 Visualization。

但不应被视为唯一 Source of Truth。

Sprint Backlog 可以表现为一个动态的 Artifact Graph：

                Context
                   │
                   ▼
                intent.md
                   │
                   ▼
                 spec.md
                   │
             ┌─────┴─────┐
             ▼           ▼
          research     plan.md
             │           │
             └─────┬─────┘
                   ▼
                execution
                   │
           ┌───────┼───────┐
           ▼       ▼       ▼
         code    tests    infra
           │       │       │
           └───────┼───────┘
                   ▼
                 evals
                   │
                   ▼
                evidence

因此：

The Sprint Backlog is a living, versioned, agent-readable scope of artifacts.

Visual Board 可以存在。

但它是：

Visualization。

Artifact Graph 才是：

Source of Truth。

Increment

Increment 是朝着 Product Goal 前进的可用结果。

Increment 必须符合 Definition of Done。

Agent 产生的 Output 只有符合 Definition of Done 后，才能成为 Increment 的一部分。

Working and Capability Artifacts

除了 Core Scrum Artifacts，AI-Native Scrum 使用更多 Working Artifacts。

例如：

• intent.md
  
• spec.md
  
• plan.md
  
• progress.md
  
• decision.md
  
• context.md
  
• eval.md
  
• evidence.md
  
• skill.md
  

这些 Artifacts 可以共同形成：

Artifact Graph。

Product Artifacts

Product Artifacts 描述：

我们正在创造什么。

包括：

• Intent；
  
• Specification；
  
• Plan；
  
• Increment；
  
• Evidence。
  

Capability Artifacts

Capability Artifacts 描述：

我们如何创造。

包括：

• Context；
  
• Skills；
  
• Agent Definitions；
  
• Evals。
  

Capability Artifacts 是 Team Capability System 的组成部分。

它们也持续被：

• Inspect；
  
• Adapt；
  
• Improve。
  

Artifact-Driven Work

AI-Native Scrum 中，工作主要通过 Artifacts 流动。

而不是依赖：

• Transient Conversation；
  
• Manual Status Update；
  
• Human Memory；
  
• Isolated Knowledge。
  

典型的 Artifact Flow：

Reality
   ↓
Intent
   ↓
Specification
   ↓
Plan
   ↓
Execution
   ↓
Increment
   ↓
Evidence
   ↓
Learning
   ↓
Context / Capability Update

因此：

Artifacts are the primary medium through which work and context flow between humans and agents.

Continuous Intent Refinement

AI-Native Scrum 不要求提前多个 Sprint 准备大量详细 Backlog。

AI 可以帮助任何 Stakeholder：

• Clarify Problems；
  
• Identify Constraints；
  
• Generate Intent；
  
• Explore Alternatives。
  

因此 Refinement 更适合作为：

A continuous Intent Refinement System。

而不是必须提前安排的会议。

一个 Intent 可以从：

Stakeholder
     ↓
Conversation with AI
     ↓
intent.md
     ↓
Human Judgment
     ↓
Artifact Graph

逐步成熟。

Product Owner 决定：

是否值得进一步投入团队能力。

Commitments

AI-Native Scrum 保持：

• Product Goal；
  
• Sprint Goal；
  
• Definition of Done。
  

Product Goal

Product Goal 描述 Scrum Team 希望实现的未来产品状态。

它提供长期方向。

Sprint Goal

Sprint Goal 描述当前 Sprint 的共同目标。

它帮助团队在复杂环境中保持 Focus。

Sprint Goal 不要求固定的工作路径。

Developers 可以调整：

• Artifact Graph；
  
• Plan；
  
• Agent Allocation；
  
• Execution Method。
  

只要 Sprint Goal 保持有效。

Definition of Done

Definition of Done 描述 Increment 达到可用状态所需要满足的质量标准。

在 AI-Native Scrum 中，Definition of Done 可以由：

• Human Judgment；
  
• Automated Tests；
  
• Evals；
  
• Hooks；
  
• Gates；
  

共同支持。

部分过去依赖人工协作完成的质量能力，可以被转化为：

Executable Quality Controls。

例如：

Definition of Done
        │
        ├── Automated Tests
        ├── Evals
        ├── Security Checks
        ├── Hooks
        └── Required Human Gates

Definition of Done 不因为 AI 能够快速产生 Output 而降低标准。

The AI-Native Scrum System

AI-Native Scrum 可以概括为：

╔══════════════════════════════════════╗
║            HUMAN CYCLE               ║
║                                      ║
║  PLAN → REVIEW → RETROSPECTIVE       ║
║       Human Judgment & Learning      ║
╚══════════════════╤═══════════════════╝
                   │
                   │
        ┌──────────▼──────────┐
        │ HUMAN–AGENT         │
        │ INTERACTION         │
        │                     │
        │ Intent              │
        │ Proposal            │
        │ Feedback            │
        │ Judgment            │
        │ Gates               │
        └──────────┬──────────┘
                   │
                   ▼
╔══════════════════════════════════════╗
║           AGENTIC CYCLE              ║
║                                      ║
║ Context → Plan → Execute → Eval      ║
║              → Adapt                 ║
║                                      ║
║ Continuous Agentic Execution         ║
╚══════════════════╤═══════════════════╝
                   │
                   ▼
        ┌─────────────────────┐
        │ TEAM CAPABILITY     │
        │ SYSTEM              │
        │                     │
        │ Humans              │
        │ Shared Context      │
        │ Skills              │
        │ Agents              │
        │ Evals               │
        │ Gates / Hooks       │
        │ DevOps              │
        │ LLMOps              │
        └─────────────────────┘

End Note

AI-Native Scrum 不试图将人工智能加入传统 Scrum。

它重新理解：

在人工智能成为生产能力之后，一个 Team 是什么。

过去：

Team Capability 主要存在于 Humans。

现在：

Team Capability 可以存在于 Humans、Context、Skills、Agents、Evals 和 Toolchains。

因此：

The Team becomes a human-led capability system.

过去，Scrum 主要协调：

Human Collaboration。

AI-Native Scrum 同时协调：

Human Judgment、Human–Agent Interaction 和 Agentic Execution。

过去，Sprint Backlog 主要承载：

Human Work。

AI-Native Scrum 中：

Sprint Backlog defines the current scope of an evolving Artifact Graph.

过去，人的经验主要存在于人的头脑和团队协作之中。

AI-Native Scrum 将越来越多的能力：

显式化、Artifact 化、Skill 化和可执行化。

但是，无论 Agentic Capability 如何发展：

Human remains accountable for the value created.

AI-Native Scrum 的目的不是：

Replacing humans with agents.

而是：

Enabling fewer humans to responsibly direct increasingly powerful systems of agentic capability.

这就是 AI-Native Scrum。

Human Accountability.
Collective Context.
Artifact-Driven Work.
Agentic Execution.
Continuous Learning.