014 · 打造自主工程團隊的心法
她用五階段成熟度模型與 AI champions 計畫，把 3,500 人的工程團隊帶向 agent 自主交付，卻在達成後遇上裁員。
原標題：Building an Autonomous Engineering Org - Angie Jones, Agentic AI Foundation
重點摘要
- 五階段成熟度模型從完全不用 AI 的 stage 0，到 agent 能獨立產出可上線成果的 stage 5，用來衡量工程師與 agent 的合作深度，也用來設定推進目標。
- 靠一小群 champion 帶動全體套用 1-9-90 法則，從 3,500 人裡挑出約 50 位跨團隊工程師組成 AI champions 計畫，先由他們把 repo 改造成對 agent 友善，而不是要求所有人一起升級。
- 把需求入口都接上 agent串接 issue tracker、GitHub issue 與 Slack 三個管道，讓工程師能直接在原本的工作流程裡把工作交給 agent 執行。
- 多 agent 並行帶來新瓶頸PR 數量暴增後卡在 code review 與機器算力，靠自動化程式碼審查與雲端工作空間解決。
- 打造涵蓋全公司程式碼的世界模型讓 orchestrator BuilderBot 與底下的 agent 能理解 25,000 個 repo 之間的依賴關係，規劃跨多個程式碼庫的任務。
- 達成目標後迎來的提問組織才剛走到 agent 自主交付的 stage 5 沒多久就遇上裁員，講者以此反問這套自動化究竟帶大家去了哪裡。
時間軸
時碼點下去會跳到影片的那一段。
| 時碼 | 段落 | 重點 |
|---|---|---|
| 00:00 | 開場 | Angie Jones 花兩年把 Block 3,500 人的工程組織轉型為 agent 自主運作，這場分享這段轉型路徑。 |
| 00:18 | Goose 與 MCP 起點 | Block 提早自建 coding agent Goose，並與 Anthropic 合作打造 MCP，Goose 後來成為 MCP client 的參考實作。 |
| 01:06 | 用量高、產出沒變快 | 九成工程師已在用 Goose、Claude Code，CEO 卻認定團隊沒在用 AI，因為出貨沒變快；講者用實驗、採用、影響三階段框架分析這個落差。 |
| 01:59 | 從全公司導入到工程組織授權 | 講者先在 2025 上半年帶領全公司 12,000 名員工橫跨各部門的 AI 導入，之後才被 CTO 指派專門打造 agentic engineering org。 |
| 02:46 | 定義 agentic engineering org | agentic engineering org 是讓工程師把 agent 當核心團隊成員，主動拆解、委派、審核工作，而非偶爾用 AI 寫程式碼。 |
| 03:52 | 五階段成熟度模型 | 從完全不用 AI 的 stage 0，到 agent 能獨立產出可上線成果的 stage 5，用來定位團隊現況並設定推進目標。 |
| 05:00 | 1-9-90 法則解釋 AI 疲乏 | 借數位社群的 1-9-90 法則說明多數工程師不會主動鑽研 agent，也點出由上而下推 AI 造成的疲乏感。 |
| 06:01 | 成立 AI champions 計畫 | 從 3,500 人裡挑出約 50 位跨團隊工程師，要求投入至少 30% 時間，目標先把他們推進到 stage 3。 |
| 07:10 | 把 repo 變成對 agent 友善 | champions 替各自 repo 加上 context 與 rules 文件等元件，依 repo 特性自訂作法，相近團隊再自然收斂成同一套模式。 |
| 10:10 | 打通三個需求入口 | 把 issue tracker、GitHub issue 與 Slack 都接上 agent；一次 Slack 抓 bug 的過程從討論到出 PR 只花五分鐘。 |
| 12:26 | 三個月後的成效數字 | champions 計畫上路三個月，AI 撰寫程式碼比例上升 69%，回報的時間節省提升 37%。 |
| 13:06 | 邁向多 agent 並行的新瓶頸 | 進入 stage 4 後 PR 數暴增卡在 code review，筆電算力也吃緊，靠 Codex 自動審查與雲端工作空間紓解。 |
| 14:47 | BuilderBot 與全公司世界模型 | 團隊自建 orchestrator BuilderBot，依 25,000 個 repo 建立世界模型，讓多個 agent 並行探索、再整合成跨程式碼庫的計畫。 |
| 16:15 | 抵達 stage 5 | 工程師能把完整任務交給 agent、無須人工介入就產出可上線成果，公司裡任何人都能在 Slack 呼叫 BuilderBot。 |
| 16:50 | 裁員後的反思 | 就在講者為系統感到驕傲的隔天，公司發生裁員，她以此反問打造這套自主工程組織究竟是為了什麼。 |
值得記的話
名詞與人物
| Block | 講者任職的公司，旗下有 Square、Cash App、Afterpay 等品牌，這場要轉型的正是它 3,500 人的工程組織。 |
|---|---|
| Goose | Block 內部自建的 coding agent，起步早於業界主流 agent 工具，也是 MCP client 最早的參考實作之一。 |
| MCP | Model Context Protocol，Block 與 Anthropic 合作設計，Goose 是它最早的 client 實作之一。 |
| Steve Yegge | 講者參考其 Gastown 文章，把原本的模型重新整理成這場演講用的五階段成熟度模型。 |
| AI champions | 講者從 3,500 人裡挑出約 50 位跨團隊工程師組成的計畫，負責先把自己的 repo 與工作流程改造成對 agent 友善。 |
| BuilderBot | champions 與工程師自建的 orchestrator，能協調多個 agent 並行工作，公司裡任何人都能在 Slack 呼叫它執行任務。 |
| Codex | 講者提到用來做自動化 code review 的工具，找出問題後還能讓另一個 agent 自動修正並提交。 |
延伸
- 演講提到的 repo 元件（rules files、slash commands、agent skills、AI co-reviewer、PR 上的 AI attribution）只列出名稱，沒有進一步說明個別做法。
- 透過 issue tracker（JIRA、Linear）指派任務給 agent 的部分，只點出有這個管道，沒有像 Slack 案例那樣展開細節。
- 結尾提到的裁員，講者沒有說明規模、時間點，也沒有明講是否與這套自動化直接相關。