技术负责人

AI驱动的技术负责人专业人员用例。

1. AI技术负责人架构决策顾问

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：技术负责人架构决策顾问面临的挑战

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力。曾经在较小规模下有效运作的手动流程，随着复杂性的增长已成为关键瓶颈。团队将60-70%的时间花在重复性的分析和文档工作上，几乎没有能力用于真正推动进展的战略性工作。没有系统化的方法，决策就建立在不完整的信息之上，代价高昂的错误在演变成更大的问题前无法被发现，而优秀的专业人才则在低价值的行政工作中疲惫消耗。

核心挑战在于技术文档需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

连锁影响超越了直接的人力成本。延迟的输出减缓了下游决策。质量不一致造成返工循环。缺失的洞察导致资源分配不优化。当团队被执行工作压倒时，就没有余力进行在问题发生前主动预防的思考——造成一种永远落后于形势的被动文化。

COCO如何解决

智能数据摄取与结构化：COCO连接相关数据源并规范化输入：
- 同时摄取文档、电子表格、数据库和非结构化文本
- 识别不同数据源中的关键实体、指标和关系
- 应用领域专属的数据模式，将原始输入转化为可分析的格式
- 在分析开始前标记数据质量问题、缺失字段和不一致之处
- 维护将每个输出追溯至源数据的审计跟踪
规律识别与异常检测：COCO发现人工审查遗漏的洞察：
- 应用统计模型识别趋势、异常值和新兴规律
- 将当前绩效与历史基线和行业标准进行基准对比
- 在早期预警信号升级为关键问题前及时检测
- 跨多个数据维度交叉参考，揭示非显而易见的关联
- 按潜在业务影响和紧迫性对发现进行优先级排序
自动化报告与文档生成：COCO消除手动文档生产：
- 按照组织专属的模板和标准生成结构化报告
- 针对合适的受众和细节层级制作执行摘要
- 自动创建支撑性可视化图表、数据表格和附件
- 在所有输出中保持一致的术语、格式和引用标准
- 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）
工作流自动化与任务编排：COCO简化多步骤流程：
- 将复杂工作流拆解为具有明确责任人的可追踪步骤
- 以适当的上下文和说明自动完成团队成员之间的交接
- 追踪完成状态，在截止日期错过之前发现阻碍
- 在关键检查点生成检查清单、提醒和升级触发器
- 与现有工具（Slack、邮件、项目管理）集成，减少情境切换
质量保证与合规检查：COCO将质量内嵌到流程中：
- 对照监管要求和内部政策标准验证输出
- 在输出最终定稿前检查完整性、一致性和准确性
- 记录关键建议背后的推理，用于审查和审计
- 标记潜在合规风险或政策违规，附具体规则引用
- 维护所有输出的版本历史，用于监管和审计目的
持续改进与学习：COCO随时间改善结果：
- 追踪哪些建议被采纳并与下游结果关联
- 识别当前流程中的系统性偏差或缺口
- 基于工作流瓶颈分析推荐流程改进
- 将团队绩效与前期和最佳实践标准进行基准对比
- 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
错误率与返工：需要返工的下游错误从18%降至3%以下
决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

技术负责人：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心技术文档分析

请为[组织/项目名称]执行全面的技术文档分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]技术文档活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们技术文档数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的技术文档绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

2. AI技术负责人团队效率优化器

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：技术负责人团队效率优化器面临的挑战

核心挑战在于性能监控需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

COCO如何解决

智能数据摄取与结构化：COCO连接相关数据源并规范化输入：
- 同时摄取文档、电子表格、数据库和非结构化文本
- 识别不同数据源中的关键实体、指标和关系
- 应用领域专属的数据模式，将原始输入转化为可分析的格式
- 在分析开始前标记数据质量问题、缺失字段和不一致之处
- 维护将每个输出追溯至源数据的审计跟踪
规律识别与异常检测：COCO发现人工审查遗漏的洞察：
- 应用统计模型识别趋势、异常值和新兴规律
- 将当前绩效与历史基线和行业标准进行基准对比
- 在早期预警信号升级为关键问题前及时检测
- 跨多个数据维度交叉参考，揭示非显而易见的关联
- 按潜在业务影响和紧迫性对发现进行优先级排序
自动化报告与文档生成：COCO消除手动文档生产：
- 按照组织专属的模板和标准生成结构化报告
- 针对合适的受众和细节层级制作执行摘要
- 自动创建支撑性可视化图表、数据表格和附件
- 在所有输出中保持一致的术语、格式和引用标准
- 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）
工作流自动化与任务编排：COCO简化多步骤流程：
- 将复杂工作流拆解为具有明确责任人的可追踪步骤
- 以适当的上下文和说明自动完成团队成员之间的交接
- 追踪完成状态，在截止日期错过之前发现阻碍
- 在关键检查点生成检查清单、提醒和升级触发器
- 与现有工具（Slack、邮件、项目管理）集成，减少情境切换
质量保证与合规检查：COCO将质量内嵌到流程中：
- 对照监管要求和内部政策标准验证输出
- 在输出最终定稿前检查完整性、一致性和准确性
- 记录关键建议背后的推理，用于审查和审计
- 标记潜在合规风险或政策违规，附具体规则引用
- 维护所有输出的版本历史，用于监管和审计目的
持续改进与学习：COCO随时间改善结果：
- 追踪哪些建议被采纳并与下游结果关联
- 识别当前流程中的系统性偏差或缺口
- 基于工作流瓶颈分析推荐流程改进
- 将团队绩效与前期和最佳实践标准进行基准对比
- 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
错误率与返工：需要返工的下游错误从18%降至3%以下
决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

技术负责人：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心性能监控分析

请为[组织/项目名称]执行全面的性能监控分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]性能监控活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们性能监控数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的性能监控绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

3. AI技术负责人技术债务优先级排序器

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：技术负责人技术债务优先级排序器面临的挑战

核心挑战在于数据分析需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

COCO如何解决

智能数据摄取与结构化：COCO连接相关数据源并规范化输入：
- 同时摄取文档、电子表格、数据库和非结构化文本
- 识别不同数据源中的关键实体、指标和关系
- 应用领域专属的数据模式，将原始输入转化为可分析的格式
- 在分析开始前标记数据质量问题、缺失字段和不一致之处
- 维护将每个输出追溯至源数据的审计跟踪
规律识别与异常检测：COCO发现人工审查遗漏的洞察：
- 应用统计模型识别趋势、异常值和新兴规律
- 将当前绩效与历史基线和行业标准进行基准对比
- 在早期预警信号升级为关键问题前及时检测
- 跨多个数据维度交叉参考，揭示非显而易见的关联
- 按潜在业务影响和紧迫性对发现进行优先级排序
自动化报告与文档生成：COCO消除手动文档生产：
- 按照组织专属的模板和标准生成结构化报告
- 针对合适的受众和细节层级制作执行摘要
- 自动创建支撑性可视化图表、数据表格和附件
- 在所有输出中保持一致的术语、格式和引用标准
- 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）
工作流自动化与任务编排：COCO简化多步骤流程：
- 将复杂工作流拆解为具有明确责任人的可追踪步骤
- 以适当的上下文和说明自动完成团队成员之间的交接
- 追踪完成状态，在截止日期错过之前发现阻碍
- 在关键检查点生成检查清单、提醒和升级触发器
- 与现有工具（Slack、邮件、项目管理）集成，减少情境切换
质量保证与合规检查：COCO将质量内嵌到流程中：
- 对照监管要求和内部政策标准验证输出
- 在输出最终定稿前检查完整性、一致性和准确性
- 记录关键建议背后的推理，用于审查和审计
- 标记潜在合规风险或政策违规，附具体规则引用
- 维护所有输出的版本历史，用于监管和审计目的
持续改进与学习：COCO随时间改善结果：
- 追踪哪些建议被采纳并与下游结果关联
- 识别当前流程中的系统性偏差或缺口
- 基于工作流瓶颈分析推荐流程改进
- 将团队绩效与前期和最佳实践标准进行基准对比
- 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
错误率与返工：需要返工的下游错误从18%降至3%以下
决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

技术负责人：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心数据分析分析

请为[组织/项目名称]执行全面的数据分析分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]数据分析活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们数据分析数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的数据分析绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

4. AI系统设计评审助手

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：系统设计评审助手面临的挑战

COCO如何解决

智能数据摄取与结构化：COCO连接相关数据源并规范化输入：
- 同时摄取文档、电子表格、数据库和非结构化文本
- 识别不同数据源中的关键实体、指标和关系
- 应用领域专属的数据模式，将原始输入转化为可分析的格式
- 在分析开始前标记数据质量问题、缺失字段和不一致之处
- 维护将每个输出追溯至源数据的审计跟踪
规律识别与异常检测：COCO发现人工审查遗漏的洞察：
- 应用统计模型识别趋势、异常值和新兴规律
- 将当前绩效与历史基线和行业标准进行基准对比
- 在早期预警信号升级为关键问题前及时检测
- 跨多个数据维度交叉参考，揭示非显而易见的关联
- 按潜在业务影响和紧迫性对发现进行优先级排序
自动化报告与文档生成：COCO消除手动文档生产：
- 按照组织专属的模板和标准生成结构化报告
- 针对合适的受众和细节层级制作执行摘要
- 自动创建支撑性可视化图表、数据表格和附件
- 在所有输出中保持一致的术语、格式和引用标准
- 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）
工作流自动化与任务编排：COCO简化多步骤流程：
- 将复杂工作流拆解为具有明确责任人的可追踪步骤
- 以适当的上下文和说明自动完成团队成员之间的交接
- 追踪完成状态，在截止日期错过之前发现阻碍
- 在关键检查点生成检查清单、提醒和升级触发器
- 与现有工具（Slack、邮件、项目管理）集成，减少情境切换
质量保证与合规检查：COCO将质量内嵌到流程中：
- 对照监管要求和内部政策标准验证输出
- 在输出最终定稿前检查完整性、一致性和准确性
- 记录关键建议背后的推理，用于审查和审计
- 标记潜在合规风险或政策违规，附具体规则引用
- 维护所有输出的版本历史，用于监管和审计目的
持续改进与学习：COCO随时间改善结果：
- 追踪哪些建议被采纳并与下游结果关联
- 识别当前流程中的系统性偏差或缺口
- 基于工作流瓶颈分析推荐流程改进
- 将团队绩效与前期和最佳实践标准进行基准对比
- 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
错误率与返工：需要返工的下游错误从18%降至3%以下
决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

技术负责人：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心数据分析分析

请为[组织/项目名称]执行全面的数据分析分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]数据分析活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们数据分析数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的数据分析绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

5. AI代码重构策略顾问

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：代码重构策略顾问面临的挑战

核心挑战在于代码审查需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

COCO如何解决

智能数据摄取与结构化：COCO连接相关数据源并规范化输入：
- 同时摄取文档、电子表格、数据库和非结构化文本
- 识别不同数据源中的关键实体、指标和关系
- 应用领域专属的数据模式，将原始输入转化为可分析的格式
- 在分析开始前标记数据质量问题、缺失字段和不一致之处
- 维护将每个输出追溯至源数据的审计跟踪
规律识别与异常检测：COCO发现人工审查遗漏的洞察：
- 应用统计模型识别趋势、异常值和新兴规律
- 将当前绩效与历史基线和行业标准进行基准对比
- 在早期预警信号升级为关键问题前及时检测
- 跨多个数据维度交叉参考，揭示非显而易见的关联
- 按潜在业务影响和紧迫性对发现进行优先级排序
自动化报告与文档生成：COCO消除手动文档生产：
- 按照组织专属的模板和标准生成结构化报告
- 针对合适的受众和细节层级制作执行摘要
- 自动创建支撑性可视化图表、数据表格和附件
- 在所有输出中保持一致的术语、格式和引用标准
- 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）
工作流自动化与任务编排：COCO简化多步骤流程：
- 将复杂工作流拆解为具有明确责任人的可追踪步骤
- 以适当的上下文和说明自动完成团队成员之间的交接
- 追踪完成状态，在截止日期错过之前发现阻碍
- 在关键检查点生成检查清单、提醒和升级触发器
- 与现有工具（Slack、邮件、项目管理）集成，减少情境切换
质量保证与合规检查：COCO将质量内嵌到流程中：
- 对照监管要求和内部政策标准验证输出
- 在输出最终定稿前检查完整性、一致性和准确性
- 记录关键建议背后的推理，用于审查和审计
- 标记潜在合规风险或政策违规，附具体规则引用
- 维护所有输出的版本历史，用于监管和审计目的
持续改进与学习：COCO随时间改善结果：
- 追踪哪些建议被采纳并与下游结果关联
- 识别当前流程中的系统性偏差或缺口
- 基于工作流瓶颈分析推荐流程改进
- 将团队绩效与前期和最佳实践标准进行基准对比
- 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
错误率与返工：需要返工的下游错误从18%降至3%以下
决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

技术负责人：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心代码审查分析

请为[组织/项目名称]执行全面的代码审查分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]代码审查活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们代码审查数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的代码审查绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

6. AI工程师招聘评分标准构建器

在SaaS领域运营的企业面临着在资源有限的情况下交付成果的巨大压力

痛点与解决方案

痛点：工程师招聘评分标准构建器面临的挑战

核心挑战在于招聘需要将大量结构化和非结构化数据综合成可执行的建议——这项任务需要有经验的专业人员手动花费数小时乃至数天完成。随着数据量的增长，可用信息与团队实际能够处理的内容之间的差距越来越大。关键信号被忽视，规律无法被识别，优化机会始终看不见。行业基准显示，在这一领域投资AI辅助工作流的公司，以相同人数实现了3-5倍的产出。

COCO如何解决

智能数据摄取与结构化：COCO连接相关数据源并规范化输入：
- 同时摄取文档、电子表格、数据库和非结构化文本
- 识别不同数据源中的关键实体、指标和关系
- 应用领域专属的数据模式，将原始输入转化为可分析的格式
- 在分析开始前标记数据质量问题、缺失字段和不一致之处
- 维护将每个输出追溯至源数据的审计跟踪
规律识别与异常检测：COCO发现人工审查遗漏的洞察：
- 应用统计模型识别趋势、异常值和新兴规律
- 将当前绩效与历史基线和行业标准进行基准对比
- 在早期预警信号升级为关键问题前及时检测
- 跨多个数据维度交叉参考，揭示非显而易见的关联
- 按潜在业务影响和紧迫性对发现进行优先级排序
自动化报告与文档生成：COCO消除手动文档生产：
- 按照组织专属的模板和标准生成结构化报告
- 针对合适的受众和细节层级制作执行摘要
- 自动创建支撑性可视化图表、数据表格和附件
- 在所有输出中保持一致的术语、格式和引用标准
- 从同一分析中起草多个输出版本（技术细节版vs.执行摘要版）
工作流自动化与任务编排：COCO简化多步骤流程：
- 将复杂工作流拆解为具有明确责任人的可追踪步骤
- 以适当的上下文和说明自动完成团队成员之间的交接
- 追踪完成状态，在截止日期错过之前发现阻碍
- 在关键检查点生成检查清单、提醒和升级触发器
- 与现有工具（Slack、邮件、项目管理）集成，减少情境切换
质量保证与合规检查：COCO将质量内嵌到流程中：
- 对照监管要求和内部政策标准验证输出
- 在输出最终定稿前检查完整性、一致性和准确性
- 记录关键建议背后的推理，用于审查和审计
- 标记潜在合规风险或政策违规，附具体规则引用
- 维护所有输出的版本历史，用于监管和审计目的
持续改进与学习：COCO随时间改善结果：
- 追踪哪些建议被采纳并与下游结果关联
- 识别当前流程中的系统性偏差或缺口
- 基于工作流瓶颈分析推荐流程改进
- 将团队绩效与前期和最佳实践标准进行基准对比
- 生成附具体优化机会的季度流程健康报告

量化结果与受益角色

可量化的成果

每项任务处理时间：从手动的8-12小时减少至45分钟以内（节省85%的时间）
输出质量评分：从人工审查71%的准确率提升至AI辅助验证96%
吞吐量：团队每月处理的案例数量提升3.4倍，无需增加人手
错误率与返工：需要返工的下游错误从18%降至3%以下
决策延迟：从数据可用到可执行建议的时间从5天缩短至当天

受益人群

技术负责人：消除手动、重复性的执行工作，将精力重新投入高价值的战略分析和决策制定
运营与财务负责人：获得流程绩效指标和成本驱动因素的可见性，支持数据驱动的资源分配决策
合规与风险团队：在所有工作产品中保持一致的质量标准和完整的审计跟踪，无需增加审查人手
高管领导层：获得及时、准确的运营绩效情报，支持更快、更有信心的战略决策

💡 实用提示词

提示词1：核心招聘分析

请为[组织/项目名称]执行全面的招聘分析。

背景信息：
- 行业：[SaaS]
- 团队/部门：[描述]
- 可用数据：[描述主要数据来源和时间范围]
- 主要目标：[这项分析支持什么决策或结果？]
- 主要约束：[预算/时间线/监管/技术]

分析内容：
1. 当前状态评估——与基准/目标相比我们在哪里？
2. 需要立即关注的主要差距和风险领域
3. 前3个绩效问题的根因分析
4. 机会识别——哪里有最高杠杆的改进可能？
5. 按影响和实施复杂度排序的建议行动

输出格式：执行摘要（1页）+详细发现（结构化章节）+含责任人、时间线和成功指标的行动表格。

提示词2：状态报告生成器

请生成[周度/月度/季度]招聘活动状态报告。

报告期间：[日期范围]
受众：[经理/高管/董事会/客户]

数据输入：
- 本期完成事项：[列出主要成果]
- 进行中：[列出正在推进的事项及完成百分比]
- 阻塞或有风险：[列出并说明原因]
- 关键指标：[列出4-6个指标，附当前值和与上期趋势对比]
- 已升级问题：[列出任何升级事项及解决状态]

请生成以下结构的报告：
1. 3句话高管摘要（RAG状态：红/黄/绿）
2. 涵盖已完成、进行中和阻塞事项
3. 以对比表格展示指标（当前vs.目标vs.上期）
4. 突出前1-2个风险及缓解建议
5. 以下期优先事项和资源需求结尾

提示词3：异常情况调查

请调查我们招聘数据中的这一异常情况并推荐应对措施。

异常描述：[描述被标记的内容——指标、幅度、时机]
正常范围：[通常/预期是什么]
当前值：[观察到的实际值]
首次发现：[日期]
影响范围：[哪些流程、团队或客户受到影响]

历史背景：
- 之前发生过吗？[是/否，何时？]
- 流程/系统是否有近期变更？[描述]
- 可能解释的外部因素？[描述]

请分析：
1. 可能的根本原因——按概率排序前3个假设
2. 如何验证每个假设（需要查看什么额外数据）
3. 立即遏制行动（止血）
4. 短期修复（在[X]天内解决）
5. 防止再次发生的长期系统性变更
6. 需要通知的干系人及通知内容

提示词4：绩效基准对比报告

请生成将我们的招聘绩效与行业标准对比的基准分析报告。

我们的当前指标：
- [指标1]：[值]
- [指标2]：[值]
- [指标3]：[值]
- [指标4]：[值]
- [指标5]：[值]

行业背景：
- 细分市场：[SaaS]
- 公司规模：[员工数/营收范围]
- 地区：[区域]
- 基准来源：[行业报告/同行数据/目标]

请输出：
1. 差距分析表格（我们的绩效vs.基准vs.行业最佳）
2. 我们差距最大的指标优先级排序
3. 差距的根因假设
4. 每个差距领域顶尖绩效者的案例研究或最佳实践
5. 现实的6个月和12个月改进目标及置信度

7. AI代码审查标准执行器

自动化代码审查治理将规范违规率降低82%，将审查周期从4天缩短至6小时。

痛点与解决方案

痛点：跨团队代码审查质量参差不齐

管理多个小组的技术负责人面临一个持续性噩梦：代码审查规范在文件上存在，但在实践中执行参差不齐。一位资深工程师仔细审查错误处理和并发模式，而另一位只是粗略扫一眼命名规范就草率批准。结果是一个代码库，质量因审查者而异，关键缺陷以惊人的速度溜进生产环境。研究显示，没有强制执行审查规范的团队，可追溯到未经充分审查就通过的代码的生产事故是其他团队的3.5倍。

手动维护审查一致性的开销触目惊心。技术负责人每周花6-10小时重新审查已经"批准"的PR，撰写冗长注释解释某些模式为何违反架构原则，并在对同一指南有不同解读的审查者之间调解争议。这造成了一个瓶颈，技术负责人成为每一个重要变更的事实上的最终审查者，失去了专注于架构、指导或战略规划的能力。与此同时，初级开发者收到的反馈不一致，既减慢了他们的成长，又催生了挫折感。

除了直接的质量问题，不一致的审查还会腐蚀团队文化。当开发者看到粗制滥造的代码通过审查，而他们精心打磨的PR却受到鸡蛋里挑骨头的反馈时，对流程的信任便会崩塌。工程师开始钻系统空子——在宽松的审查者有空时提交PR，拆分变更以规避审查，或者干脆忽略不认同的审查意见。技术负责人只能不停地堵截流程违规，而无暇构建一种能自我维持的工程文化。

COCO 如何解决

规范规则集摄取引擎：COCO将书面指南转化为可执行的审查标准：
- 将现有的风格指南、架构决策记录和团队约定解析为结构化规则集
- 将每条规则映射到具体的代码模式、反模式和边界条件，并附上具体示例
- 支持分层规范——全组织通用基础规则加上团队专属扩展和覆盖规则
- 对所有规则集进行版本管理并保留变更历史，以便团队追踪规范的演进
- 从流行框架（Google、Airbnb、Microsoft）导入规则作为可定制的起始模板
自动化PR分析与评分：COCO根据完整规范矩阵评估每个拉取请求：
- 扫描差异内容，跨类别检查违规：风格、架构、安全、性能和可测试性
- 按类别和严重级别分解，给出综合审查就绪评分
- 识别技术上通过代码检查但违反更高层架构原则的模式
- 检测复制粘贴代码、抽象层次不一致和缺失边界情况处理
- 在确切的代码位置生成内联注释，附上被违反的具体规范
审查者校准仪表板：COCO跟踪团队整体的审查质量和一致性：
- 按已知基线衡量每位审查者对不同缺陷类别的检出率
- 识别盲点——个别审查者持续遗漏的特定问题类型
- 对比各审查者的审查彻底性指标，突出显示校准差距
- 追踪审查时长和评论质量，以区分深入审查与走形式的橡皮章
- 生成月度审查者效能报告，附带个性化改进建议
情境感知严重性分类：COCO按实际风险对审查发现进行优先级排序：
- 根据受影响代码路径的关键性，将违规分类为阻塞、警告或信息性
- 按组件的生产流量、故障历史和爆炸半径对发现进行加权
- 区分风格偏好与真正的正确性或安全性问题
- 根据代码是否处于热路径、很少执行的分支或仅测试上下文来调整严重性
- 将违规模式与历史事故数据关联，预测哪些问题最可能导致故障
审查工作流编排：COCO简化端到端的审查流程：
- 基于代码所有权、专业技能匹配和当前审查负载平衡自动分配审查者
- 向审查者发送有针对性的审查前摘要，突出最需要关注的区域
- 追踪审查SLA，在PR超过按优先级层级设定的时间阈值时发送升级提醒
- 管理审查轮次——追踪哪些评论已处理、哪些需要跟进、哪些不予修复
- 生成合并就绪检查清单，PR推进前必须满足所有条件
规范演进与反馈循环：COCO持续改进审查规范本身：
- 分析哪些规范能捕获真实缺陷，哪些只是产生噪音和误报
- 根据审查遗漏的生产事故中观察到的模式推荐新规则
- 追踪规范采纳率，标记团队持续覆盖或忽略的规则
- 通过呈现规则效果和团队合规数据，推动季度规范审查
- 在提议新规范时生成A/B对比报告，预测其对速度和质量的影响

量化结果与受益角色

可量化成果

规范违规率：每100个PR的违规数从34次降至6次（减少82%）
审查周期时间：PR从提交到合并的平均时间从4.2天缩短至6小时
审查代码产生的生产缺陷：可追溯至审查遗漏的事故从每月12起降至每月2起
技术负责人重新审查时间：每周重新审查已批准PR的时间从8小时减至1.5小时
审查者校准差异：审查者检出率的标准差从41%缩窄至9%

受益角色

技术负责人：每周节省6小时以上原本用于管控审查质量的时间，转向架构和辅导工作
软件工程师：无论分配到哪位审查者，每个PR都能获得一致、可执行的反馈
工程经理：无需人工审计即可获得审查健康指标和团队能力缺口的可见性
QA与发布团队：到达测试和生产环境的逃逸缺陷明显减少

💡 实用提示词

提示词1：规范规则集生成

请将我们工程团队的代码审查指南转化为可执行的审查标准。

输入文档：
- 风格指南：[粘贴或链接到风格指南]
- 架构决策记录：[列出相关ADR]
- 技术负责人过往审查评论：[粘贴代表性示例]

对每条指南，请输出：
1. 规则ID和类别（风格/架构/安全/性能/可测试性）
2. 该规则所强制执行内容的自然语言描述
3. 触发该规则的代码模式（如适用附正则或AST模式）
4. 严重级别（阻塞/警告/信息性）及理由
5. 2个正面示例（合规代码）和2个负面示例（违规代码）

以可版本化存入代码库的结构化YAML规则集格式输出。

提示词2：PR审查质量审计

请审计团队[团队名称]过去[30/60/90]天的拉取请求审查情况。

数据输入：
- 来自[GitHub/GitLab]的PR审查评论和批准记录
- 同期来自[PagerDuty/Jira]的生产事故报告
- 当前审查规范文档：[链接]

请分析：
1. 每位审查者的指标：批准率、平均每次审查评论数、审查用时
2. 审查者与合并后缺陷率的相关性
3. 所有审查者最常遗漏的前10种违规类型
4. 已批准但后来与事故相关的PR——审查者遗漏了什么？
5. 按缺陷影响排序的审查者培训重点建议

提示词3：自动审查评论生成器

请分析以下拉取请求差异，并按照我们的规范生成审查评论。

PR差异：
[粘贴差异内容或提供PR URL]

适用规范：
- [列出具体规范或链接到规则集]
- 重点关注：[安全/性能/架构/全部]

对每个发现，请提供：
1. 文件和行号
2. 违反的规则（附规则ID）
3. 严重性：阻塞/警告/信息性
4. 具体说明为何这是问题（不只是违反了什么规则）
5. 附代码示例的建议修复方案
6. 若为信息性：注明这是建议，而非阻塞项

请汇总：按严重性统计的发现总数、整体PR就绪评分，以及建议的操作（批准/要求修改/需讨论）。

8. AI工程OKR追踪器

持续的OKR对齐监控将关键结果完成率从43%提升至78%，并消除季度末的意外惊雷。

痛点与解决方案

痛点：OKR在季度中途逐渐失效

每个季度都以乐观开始：技术负责人主持OKR规划，团队就雄心勃勃的目标达成共识，关键结果被录入电子表格或OKR工具。然后现实来袭。两周之内，紧急的生产问题、不断变化的业务优先级和计划外的技术债务便消耗掉团队的大部分产能。到了季度中期，没有人在主动追踪OKR进度，技术负责人面临着拼凑一份复盘报告的尴尬——解释为什么大多数关键结果只完成了30-40%。这种模式季复一季地重复，腐蚀了对规划流程本身的信心。

追踪问题从根本上是数据碎片化的问题。工程关键结果跨越多个系统——Jira工单对应交付里程碑，Datadog仪表板追踪可靠性目标，GitHub指标反映速度目标，而客户满意度分数又存在另一个工具里。没有任何一个人有精力每周手动整合这些信号，因此OKR进度变成了季度末的考古工程，而不是持续的方向盘。试图手动追踪的技术负责人每周仅在数据收集上就要花3-5小时，而这些时间本可用于排除障碍或辅导工程师。

更深层的代价是战略错位。当OKR没有被主动监控时，团队便无法在季度中期及时纠偏。一个在第3周已偏离轨道的关键结果，通过有针对性的干预也许还能挽回；但到了第8周，差距就已无可弥补。工程领导层对团队兑现承诺和按时交付的信心动摇，产品经理学会了打折扣工程评估，规划流程退化成一场没人认真对待的走过场。组织失去了将日常工程工作与业务结果相连接的能力。

COCO 如何解决

多源进度聚合：COCO连接工程系统，自动计算OKR进度：
- 与Jira、Linear、GitHub、Datadog和自定义仪表板集成，实时获取指标
- 使用可配置的关联规则，将具体工单、PR和指标映射到其父关键结果
- 基于实际交付物而非主观估算，计算每个关键结果的完成百分比
- 处理依赖多个数据源的复合关键结果，采用加权评分
- 每日刷新进度数据，生成用于纵向追踪的每周趋势快照
轨迹预测与早期预警：COCO基于当前速度预测季末结果：
- 使用燃尽率和剩余范围分析，预测每个关键结果的完成概率
- 当预测轨迹低于置信阈值时，标记高风险关键结果
- 在48小时内识别速度变化——突然减速、范围蔓延或受阻依赖
- 计算使偏轨关键结果重回正轨所需的工作量差值
- 生成情景模型，展示资源再分配决策对整体OKR组合健康的影响
对齐验证引擎：COCO确保日常工作与季度目标相连接：
- 分析冲刺待办事项，标记未映射到任何活跃关键结果的工作项
- 量化对齐百分比——团队产能中有多少比例在推进OKR关联工作
- 检测漂移模式，即团队逐渐将精力转移到已承诺目标以外的情况
- 突出显示"孤儿"关键结果——当前或下个冲刺中没有安排任何活跃工作项的关键结果
- 对比跨团队OKR依赖关系，标记预期交付时间线的不匹配
利益相关者报告自动化：COCO为每类受众生成OKR状态更新：
- 生成带有红/黄/绿状态和趋势箭头的每周工程OKR仪表板
- 为高管生成季度摘要，附每个目标的叙述性说明
- 创建团队级视图，展示个人对集体关键结果的贡献
- 起草季度中期审查演示文稿，附数据支撑的要点和建议
- 自动为技术与非技术利益相关者定制报告的深度和语言
复盘与学习分析：COCO将OKR结果转化为规划改进：
- 跨季度比较计划与实际结果，识别系统性估算规律
- 分析团队哪类关键结果持续过度承诺或承诺不足
- 识别最频繁干扰OKR进度的外部因素（事故、重组、优先级变更）
- 基于历史完成率推荐产能缓冲和雄心校准
- 生成季度环比改进报告，展示规划准确性趋势
目标分解与级联助手：COCO帮助构建可衡量且可实现的OKR：
- 按SMART标准评估提议的关键结果，标记模糊或无法衡量的表述
- 基于历史绩效数据和行业基准，建议具体的指标和目标值
- 将团队层面的OKR映射到组织目标，识别对齐缺口或冗余
- 当单个关键结果过于宽泛而无法有意义地追踪时，建议拆解方案
- 生成依赖关系图，展示哪些团队OKR依赖其他团队的交付物

量化结果与受益角色

可量化成果

关键结果完成率：通过持续追踪和早期干预，平均完成率从43%提升至78%
OKR追踪开销：技术负责人在手动数据汇总上的时间从每周5小时减至30分钟
高风险早期识别时间：偏轨关键结果被识别的时间比以往的季末发现提前6周
对齐比率：冲刺工作与活跃OKR关联的比例从52%提升至89%
规划准确性：季度环比估算准确性从**±45%偏差改善至±12%偏差**

受益角色

技术负责人：无需手动收集数据即可实时了解OKR健康状况，实现主动纠偏
工程经理：获得一致的、数据支撑的OKR报告，与领导层和产品合作伙伴建立信任
一线贡献者：清晰看到日常工作与团队目标的连接，提升动力和专注度
产品与业务负责人：获得可靠的交付预测，支持更好的下游规划和资源承诺

💡 实用提示词

提示词1：OKR健康仪表板生成

请为工程团队[团队名称]生成每周OKR健康仪表板。

季度：[Q1/Q2/Q3/Q4 YYYY]
第[X]周（共13周）

目标与关键结果：
[粘贴团队的OKR集合及目标值]

数据来源：
- Jira项目：[项目代码]——已完成故事点和工单状态
- GitHub组织：[org/repo]——已合并PR、部署频率
- 监控：[Datadog/Grafana仪表板URL]——SLO达标、错误率
- 客户指标：[工具]——NPS、支持工单量

对每个关键结果，请计算：
1. 当前进度（完成百分比，附数据来源引用）
2. 速度趋势（加速/平稳/减速）
3. 预计季末完成度（百分比及置信区间）
4. 状态：正轨（绿）/风险（黄）/偏轨（红）
5. 若为黄或红：建议的行动

提示词2：季度中期纠偏计划

我们目前处于本季度第[X]周（共13周），部分关键结果偏轨。请生成纠偏计划。

偏轨关键结果：
1. [KR描述] — 当前：[X%]，目标：[Y%]，差距：[Z%]
2. [KR描述] — 当前：[X%]，目标：[Y%]，差距：[Z%]
3. [KR描述] — 当前：[X%]，目标：[Y%]，差距：[Z%]

剩余周次可用产能：[X故事点/周，Y名工程师]
当前阻碍：[列出已知阻碍]
约束条件：[不能降低KR X的优先级/必须维持值班覆盖/等]

对每个偏轨KR，请建议：
1. 是否可恢复？（是/否，附理由）
2. 若可：具体行动、所需工作量及弥补差距的时间线
3. 若否：建议修订后的目标及利益相关者沟通方案
4. 权衡取舍：需要放慢哪些正轨工作来重新分配产能
5. 提议重新分配对其他目标的风险

提示词3：OKR对齐审计

请审计我们团队当前冲刺工作与季度OKR之间的对齐情况。

本季度团队OKR：
[粘贴目标与关键结果]

当前冲刺待办事项：
[粘贴或描述当前冲刺中的工单/故事]

请分析：
1. 当前冲刺中有多少比例的工作项直接推进了关键结果？
2. 哪些关键结果没有任何活跃冲刺工作项？标记为孤儿。
3. 哪些冲刺工作项未映射到任何关键结果？分类为：运维/技术债/计划外/不对齐。
4. 是否有关键结果依赖尚未进入待办事项的工作？
5. 建议调整冲刺构成，在不牺牲运维稳定性的前提下提升对齐度。

9. AI系统设计文档生成器

自动化系统设计文档将文档创建时间从3周缩短至2天，同时确保40+微服务间的架构一致性。

痛点与解决方案

痛点：设计文档在完成之前就已经过时

系统设计文档是健全工程的基础——它让团队在代码编写前就方法达成共识，为未来的维护者留下记录，并为架构决策的有意义审查提供依据。然而在实践中，大多数工程团队将设计文档视为一种痛苦的形式主义。技术负责人花2-3周起草一份全面的设计文档，分发审查，等到意见被整合进来时，实现早已偏离了计划。文档变成了历史文物而非活跃参考，下一个接手系统的工程师从中学不到任何有用的东西。

起草负担不成比例地落在技术负责人和资深工程师身上——恰恰是时间最宝贵的人。撰写一份全面的设计文档需要记录当前系统状态、绘制变更示意图、分析故障模式、评估替代方案、指定API契约——每一项都需要跨代码库、监控仪表板和散落在Slack帖子里的隐性知识进行数小时的研究。技术负责人反映，他们60%的设计文档时间花在信息收集和格式整理上，只有40%用于文档本应捕捉的真正的设计思考。

一致性问题在规模扩大时进一步复杂化。在拥有20+服务的组织中，每个团队都形成了自己的设计文档模板、分析深度和审查严格程度。一些团队为细枝末节的变更生产30页设计文档，而另一些团队则以一页要点就推出重大架构变更。这种不一致使跨团队审查几乎不可能——审查者无法比较结构不同的文档，而关于系统交互的组织知识则被封存在格式互不兼容的各个团队文档中。

COCO 如何解决

自动化系统上下文提取：COCO从实时基础设施中收集当前系统状态：
- 抓取服务注册表、API网关和部署配置，绘制现有架构图
- 从代码中提取当前数据模型、API模式和服务间通信模式
- 从监控系统获取性能基线、流量模式和SLO达标情况
- 从工单系统识别现有技术债务、已知问题和待废弃的功能
- 生成带有准确依赖图和数据流路径的当前状态架构图
模板驱动的文档脚手架：COCO从标准模板生成结构化文档：
- 维护组织专属的设计文档模板，包含必填和可选部分
- 从提取的数据预填充样板部分（系统上下文、当前架构、术语表）
- 对关键部分（如故障模式分析和回滚计划）执行最低深度要求
- 根据变更类型（新服务、迁移、重构）生成相应的内容起始框架
- 支持多种文档类型：RFC、轻量级设计文档和完整架构审查，范围各异
替代方案分析生成器：COCO系统性地评估设计选项：
- 根据指定评估标准，为架构替代方案生成对比矩阵
- 在可扩展性、成本、运营复杂性和团队专业能力方面进行权衡分析
- 利用类似系统设计中的模式，识别每个替代方案的隐藏风险和故障模式
- 基于团队速度和相似历史项目估算每个选项的实现工作量和时间线
- 记录被拒绝的替代方案未被选择的原因，为未来参考创建决策记录
跨服务影响分析器：COCO识别在服务网格中的连锁影响：
- 映射所有上游和下游依赖，这些依赖将受提议变更影响
- 识别需要与其他团队协调部署的API契约变更
- 分析数据模式变更的向后兼容性和迁移需求
- 基于预计流量和延迟变化，估算对下游服务的性能影响
- 生成利益相关者通知列表，附每个团队受影响的具体细节
审查协助与意见解决：COCO简化设计审查流程：
- 根据受影响系统和专业领域，将文档分发给适当的审查者
- 生成根据文档类型和变更范围定制的审查清单
- 汇总审查反馈，将相关意见归组，识别共识与分歧区域
- 利用文档和系统上下文中的数据，起草常见审查问题的回应
- 跟踪待解决事项直至关闭，并生成最终决策日志，附每个选择的理由
活文档维护：COCO保持设计文档与实现现实同步：
- 监控实现PR，标记与已批准设计文档的偏差
- 随代码变更合并，更新架构图和API规范
- 生成定期偏差报告，展示实际系统与设计的偏离之处
- 归档已被取代的设计决策，并链接到取代它们的变更
- 创建所有设计文档的可搜索知识库，按系统、技术和模式索引

量化结果与受益角色

可量化成果

文档创建时间：全面系统设计文档的平均创建时间从3周缩短至2天
信息收集工作量：调研当前系统状态所花的时间从文档总工作量的60%降至10%
设计文档一致性评分：跨团队格式和深度合规率从35%提升至94%
审查周期时间：设计审查轮次从2周内3轮减少至3天内1.5轮
实施时的文档准确性：设计与实现的偏差从发布后47%偏差降至8%

受益角色

技术负责人：将时间花在设计思考而非信息收集和格式整理上，更快做出更好的架构决策
资深工程师：利用自动生成的上下文和模板贡献设计文档，无需投入令人望而却步的时间
架构审查委员会：审查结构一致、影响分析完整的文档，实现更快、更有信心的批准
未来维护者：继承准确、可搜索的设计文档，不仅解释了构建了什么，还解释了决策背后的原因

💡 实用提示词

提示词1：系统设计文档起草

请为[提议变更/新服务/迁移]生成系统设计文档。

背景信息：
- 受影响的服务：[列出服务]
- 当前架构：[描述或链接到现有架构图]
- 问题陈述：[这解决了什么业务或技术问题？]
- 成功标准：[如何判断这个设计有效？]
- 约束条件：[预算、时间线、技术限制、团队专业能力]

请生成以下部分：
1. 执行摘要（一段话，面向非技术利益相关者）
2. 当前系统状态附架构图（Mermaid格式）
3. 提议设计附详细架构图
4. API契约规范（新增或变更接口的请求/响应模式）
5. 数据模型变更及迁移策略
6. 故障模式分析（什么可能出错，系统如何恢复？）
7. 已考虑的替代方案及权衡矩阵
8. 回滚方案
9. 实施阶段及里程碑
10. 需要团队讨论的待解决问题

提示词2：跨服务影响评估

请分析以下提议系统变更的跨服务影响。

提议变更：[描述变更]
主要服务：[服务名称]
已知依赖：[列出已知的直接上下游服务]

对每个受影响的服务，请确定：
1. 影响性质（API变更、数据模式变更、流量模式变更、SLO影响）
2. 严重性：破坏性变更/向后兼容/无需变更
3. 所需协调：部署顺序、特性开关或数据迁移步骤
4. 团队负责人及所需沟通
5. 下游团队为适应此变更所需的预计工作量

输出：影响矩阵表格 + 推荐的发布顺序 + 利益相关者沟通方案。

提示词3：故障模式与影响分析

请对以下系统设计进行故障模式与影响分析（FMEA）。

系统设计：[粘贴设计摘要或链接到设计文档]
涉及的组件：[列出服务、数据库、队列、外部API]
预期流量：[请求/秒、数据量、峰值模式]

对每个组件和交互，请：
1. 识别故障模式（网络分区、超时、数据损坏、容量耗尽等）
2. 对每项评分：概率（1-5）、严重性（1-5）、可检测性（1-5），并计算风险优先数
3. 描述此故障发生时对用户的影响
4. 建议缓解措施（重试逻辑、熔断器、降级、优雅退化）
5. 指定检测每种故障模式所需的监控和告警

输出：按风险优先数排序的FMEA表格 + 需要设计变更的前5大风险 + 推荐的熔断器和重试配置。

10. AI事故复盘分析器

AI驱动的事故复盘分析将重复事故率降低67%，并将复盘完成时间从2周缩短至48小时。

痛点与解决方案

痛点：复盘报告永远无法预防下次事故

每次重大生产事故之后，工程团队都会经历撰写事故报告的例行仪式。值班工程师从记忆、Slack帖子和监控仪表板中拼凑时间线，技术负责人主持一次无责复盘会议，行动项目被分配下去，文档存入再也没人会看的wiki。三个月后，一起惊人相似的事故发生了——团队发现，第一次复盘的行动项目从未被完成，甚至更糟，完全相同的根本原因两年前的一份复盘报告中就已经被识别出来，但没有人记得它的存在。

事故报告的质量差距触目惊心。一些工程师能写出详细的时间线、贡献因素链和具体预防措施的全面分析；另一些只写几个要点，描述症状而不分析原因。技术负责人没有精力亲自审查并提升每一份复盘报告的质量，因此报告质量完全取决于谁恰好在值班。这种不一致意味着组织的事故知识库不可靠——你永远不知道一份过去的复盘是否捕捉到了真正的根本原因，还是只是表面解释。

模式识别失败是代价最高昂的后果。在一个大型工程组织中，随着时间推移积累了数百份复盘报告，每一份都包含着关于故障模式、脆弱依赖和运营缺口的系统性知识碎片。但若不对整个语料库进行系统分析，这些模式就会永远不可见。每个团队将每次事故视为孤立事件，而不是架构或流程弱点的症状。同一类故障——级联超时、配置漂移、监控不足、部署竞争条件——以可预测的方式一再发生，消耗数以百万计的工程时间和客户影响。

COCO 如何解决

自动化时间线重建：COCO从系统数据而非人类记忆中整合事故时间线：
- 关联部署日志、告警事件和监控指标，构建精确的时间顺序
- 提取Slack和PagerDuty通信及时间戳，并将其映射到系统事件
- 识别问题开始到被检测的时间差（检测延迟测量）
- 重建响应期间采取的人工行动序列，包括各升级步骤之间的间隔时间
- 生成时间线可视化，展示系统事件、告警和人工响应的相互关系
贡献因素分析引擎：COCO识别触发事件之外的根本原因：
- 系统性地应用"5个为什么"框架，将因果链从症状追溯至系统性弱点
- 将贡献因素分类为：代码缺陷、配置错误、流程缺口、监控盲点和架构弱点
- 识别事故发生前就存在并增加了脆弱性的潜在条件
- 分析影响响应质量的人为因素——认知负荷、不清晰的操作手册、缺失的上下文
- 区分近因（触发原因）和系统原因（系统为何脆弱）
跨事故模式识别：COCO检测整个复盘语料库中的反复出现的主题：
- 维护一个可搜索的、包含规范化类别和标签的结构化历史事故数据库
- 识别具有相似根本原因、受影响组件或故障模式的事故群集
- 检测趋势——特定服务中事故频率增加、反复出现的部署相关故障
- 将当前事故与类似的历史事故关联，并突出显示之前的行动项目是否有效
- 生成季度事故趋势报告，按频率和影响排序的系统性风险
行动项目质量执行者：COCO确保复盘行动项目具体、有人负责、可追踪：
- 按SMART标准评估提议的行动项目，标记模糊或无法衡量的条目
- 检查已在之前复盘中分配的重复行动（可能仍处于未完成状态）
- 根据重复发生的潜在影响，为每个行动项目分配严重性和紧迫性评分
- 在Jira或问题追踪系统中以适当的优先级、描述和验收标准创建工单
- 跟踪各团队的行动项目完成率，在下次事故前对停滞项目升级处理
复盘文档标准化：COCO在所有复盘文档中执行一致的质量标准：
- 提供结构化模板，通过提示和示例引导作者完成每个必填部分
- 验证完整性——标记缺失的部分、不足的时间线细节或缺少指标影响数据
- 使用客观标准（持续时间、客户影响、收入影响）规范化严重性分类，而非主观判断
- 为非技术利益相关者生成执行摘要，与完整技术文档并列
- 通过标记指向个人责任而非系统分析的措辞，确保语言无指责
预防性建议引擎：COCO基于事故模式推荐系统性改进：
- 分析组织的事故组合，识别预防性投资的最高ROI方向
- 针对频繁故障的交互模式，推荐架构变更（熔断器、隔板、冗余）
- 根据各事故的检测延迟模式，建议监控和告警改进
- 识别哪些团队或服务最能从混沌工程或GameDay演练中受益
- 生成季度可靠性投资建议，附每个举措的预计事故减少量

量化结果与受益角色

可量化成果

重复事故率：根本原因与过往复盘匹配的事故从38%降至12%（减少67%）
复盘完成时间：从事故解决到复盘发布的平均时间从14天缩短至48小时
行动项目完成率：在SLA内完成的复盘行动项目从31%提升至85%
平均检测时间（MTTD）：通过基于模式的监控改进，平均检测延迟从23分钟降至7分钟
复盘质量评分：跨团队的一致性评分在标准化评分标准上从2.1/5提升至4.4/5

受益角色

技术负责人：在数小时而非数周内完成全面复盘，通过基于模式的洞察推动系统性改进
值班工程师：减少在复盘文档上花费的时间，将更多精力用于实际的事故预防工作
工程副总裁：获得组织可靠性趋势及可靠性投资ROI的可见性
产品经理：通过数据支撑的严重性评估，了解事故对客户体验的影响

💡 实用提示词

提示词1：事故时间线重建

请根据以下数据来源，重建[事故ID/名称]的事故时间线。

事故窗口：[开始时间戳] 至 [结束时间戳]
受影响的服务：[列出]

数据输入：
- 部署日志：[粘贴或链接到窗口期内的近期部署]
- 告警历史：[粘贴带时间戳的PagerDuty/OpsGenie告警]
- 监控指标：[描述关键指标变化——错误率骤增、延迟上升等]
- Slack事故频道：[粘贴或汇总带时间戳的关键消息]
- 客户报告：[粘贴支持工单或状态页面条目]

请生成：
1. 精确时间戳的时间顺序：问题开始、检测、升级、诊断、缓解和解决
2. 检测延迟（问题开始到第一次告警的时间）
3. 响应延迟（第一次告警到第一次人工行动的时间）
4. 解决延迟（第一次人工行动到缓解的时间）
5. 关键决策点——每个时间点做出了什么选择，以及当时掌握了什么信息

提示词2：根本原因分析

请为[事故ID/名称]进行结构化根本原因分析。

事故摘要：[1-2段描述发生了什么]
时间线：[粘贴重建的时间线]
直接触发原因：[什么具体事件引发了事故]

请应用以下分析框架：
1. 5个为什么：将因果链从症状追溯至至少3个层次的深层原因
2. 贡献因素：识别使系统脆弱的所有条件（即使不是直接触发原因）
3. 人为因素：响应过程中哪些信息缺失、不清晰或延迟？
4. 系统分类：对根本原因进行分类——代码缺陷/配置错误/流程缺口/监控盲点/架构弱点/外部依赖故障

对识别出的每个根本原因，请建议：
- 即时修复（止血）
- 短期缓解措施（30天内预防复发）
- 长期系统性修复（解决深层弱点）

提示词3：跨事故模式分析

请分析过去[6/12/24]个月的复盘数据，识别系统性模式。

复盘数据：
[粘贴近期复盘摘要或提供访问复盘数据库的权限]

请分析：
1. 按频率和总客户影响排序的前5个反复根本原因类别
2. 事故密度最高的服务——它们是投资不足还是架构脆弱？
3. 时间和日期模式——事故是否集中在部署、流量高峰或批处理任务周围？
4. 行动项目效果——哪些过去的纠正措施实际减少了事故，哪些没有可测量的效果？
5. 预测下次事故：基于当前趋势，哪个服务或故障模式最可能引发下次重大事故？

输出：执行摘要 + 详细模式报告 + 降低整体事故率的系统性投资优先级列表。

11. AI跨团队依赖关系映射器

自动化依赖映射将跨团队协作失败减少71%，并在50+微服务中揭示隐藏的服务耦合。

痛点与解决方案

痛点：看不见的依赖关系破坏发布的可预测性

在任何拥有十几个以上服务的组织中，跨团队依赖就成了交付可预测性的隐形杀手。一个团队发布了他们认为是孤立的变更，却发现三个下游服务因为一个他们赖以依赖的未记录API行为而崩溃。技术负责人接下来两天都在紧急协调会议中度过，理清一张没有人意识到其存在的假设之网。事后分析揭示，这个依赖是18个月前一位早已离职的工程师创建的，唯一的文档是一条深埋在已归档频道里的Slack消息。

问题在于依赖知识几乎完全存在于人们的脑子里。服务注册表记录了直接API调用，但遗漏了间接依赖——共享数据库、事件总线消费者、多个服务读取的配置文件，或服务A期望服务B在某个时间窗口内完成处理的时序假设。这些隐性依赖在断裂之前是不可见的，而断裂偏偏发生在最糟糕的时候：迁移、重大发布或流量峰值期间。技术负责人估计，他们将冲刺规划时间的15-20%用于手动映射任何重大跨切变更的依赖，但仍然会遗漏大约三分之一的关键连接。

随着组织规模扩大，协调成本以乘法式增长。当10个团队各自拥有3-5个服务时，潜在的依赖矩阵包含数百个连接。规划一次平台迁移或共享库升级需要手动询问每个团队了解其依赖面——这个过程耗时数周，结果还不完整。发布火车因为没有人能够自信地回答"如果我们部署这个变更会有什么会崩溃？"而停滞不前。组织的交付速度不再受制于单个团队的速度，而是受制于围绕理解不清的依赖关系进行跨团队协调的开销。

COCO 如何解决

自动化依赖发现：COCO从实时系统数据而非文档中映射依赖关系：
- 分析网络流量模式、API调用图和服务网格遥测，识别运行时依赖
- 扫描代码库中的导入语句、客户端库使用和外部服务配置引用
- 发现隐性依赖：共享数据库表、事件总线主题、文件系统路径和缓存键
- 识别时序依赖，即服务依赖其他服务操作的特定顺序或时序
- 映射基础设施依赖，包括共享负载均衡器、DNS条目和密钥存储
依赖图可视化与导航：COCO使依赖全景变得可理解：
- 生成交互式依赖图，支持按团队、服务、依赖类型和关键性过滤
- 突出关键路径——单点故障级联到面向客户影响的依赖链
- 可视化依赖深度，展示哪些服务有最多的传递依赖
- 显示历史依赖演变，展示关系图随时间的变化
- 生成以团队为中心的视图，展示每个团队服务组合的所有入站和出站依赖
变更影响预测：COCO预测提议变更的爆炸半径：
- 接受提议的变更描述，识别所有可能受直接或间接影响的服务
- 对每个下游服务分类影响严重性：破坏性变更、行为变更、性能影响或无影响
- 识别需要版本协商或协调部署的API契约变更
- 估算需要通知和协调的团队数量
- 生成推荐的发布顺序，最小化协调风险并允许增量验证
依赖健康评分：COCO评估每个依赖关系的风险级别：
- 在耦合紧密度、故障隔离性和版本兼容性方面对每个依赖评分
- 识别造成部署死锁或级联故障风险的循环依赖
- 标记上游服务已宣布停产或迁移计划的废弃依赖
- 检测依赖集中风险——服务依赖没有任何后备的单一共享资源
- 生成应被解耦或加固的依赖关系的优先级列表
跨团队协调自动化：COCO简化依赖管理的人工部分：
- 维护将每个服务、API、数据库和事件主题映射到负责团队的所有权注册表
- 在提议或部署与依赖相关的变更时自动通知受影响团队
- 生成依赖契约——团队之间关于API稳定性、废弃时间线和SLA的明确协议
- 通过状态仪表板跨团队追踪依赖相关行动项目（迁移截止日、版本升级）
- 通过自动填充设计文档流程中的影响分析部分，推动依赖审查
依赖趋势分析与优化：COCO识别减少依赖复杂性的结构性改进：
- 随时间追踪依赖图指标：总边数、平均深度、循环依赖数和耦合评分
- 识别成为依赖瓶颈的服务——入站依赖数量增长预示未来风险
- 推荐减少紧密耦合的架构模式（API网关、事件驱动解耦、共享库）
- 在实施前模拟提议架构变更对整体依赖图的影响
- 生成季度依赖健康报告，附给架构审查委员会的具体建议

量化结果与受益角色

可量化成果

跨团队协作失败：由未知依赖引起的事故从每季度14起降至4起（减少71%）
依赖发现覆盖率：已映射依赖从40%（人工知识）提升至96%（自动化发现）
变更影响评估时间：确定跨切变更爆炸半径的时间从3天缩短至2小时
发布回滚率：因意外依赖中断而回滚的部署从11%降至2%
冲刺规划效率：技术负责人在规划期间用于依赖映射的时间从每冲刺6小时缩短至45分钟

受益角色

技术负责人：凭借完整的依赖可见性，对变更范围和发布策略做出有信心的决策
平台工程师：通过数据支撑的证据识别架构耦合热点，优先考虑解耦投资
发布经理：凭借准确的影响评估和排序建议协调多团队部署
工程领导层：了解组织依赖复杂性，就平台简化的投资方向做出明智决策

💡 实用提示词

提示词1：依赖图生成

请为服务[服务名称]及其生态系统生成全面的依赖图。

服务详情：
- 代码库：[仓库URL]
- 运行环境：[Kubernetes命名空间/AWS账户/等]
- 已知直接依赖：[列出已知内容]

请分析以下发现来源：
- 服务网格遥测：[Istio/Linkerd/Envoy数据源]
- API网关日志：[网关名称和日志位置]
- 数据库连接池：[列出服务连接的数据库]
- 事件总线主题：[生产和消费的Kafka/RabbitMQ/SQS主题]
- 共享配置：[配置服务/环境变量/密钥]

请按以下类别映射所有依赖：
1. 同步API调用（REST、gRPC）——附调用频率和延迟
2. 异步消息（事件总线、队列）——附主题名称和消费者组
3. 数据依赖（共享数据库、缓存、文件存储）——附读写模式
4. 基础设施依赖（DNS、负载均衡器、CDN、密钥）——附关键性
5. 时序依赖（定时任务协调、批处理顺序、SLA假设）

输出：依赖表格 + Mermaid图表 + 每个依赖的风险评估。

提示词2：变更爆炸半径分析

请分析以下提议变更在我们服务生态系统中的爆炸半径。

提议变更：
- 服务：[服务名称]
- 变更描述：[正在变更的内容——API修改、数据库迁移、库升级等]
- 变更类型：[破坏性/向后兼容/仅内部]

已知依赖图：[粘贴或链接到当前依赖图]

对每个可能受影响的服务，请提供：
1. 影响类型：直接（调用变更的API）/传递（依赖依赖它的服务）/数据（共享数据存储）
2. 严重性：破坏性（将失败）/降级（性能或功能下降）/表面/无
3. 所需行动：代码变更/配置更新/仅重测/无需行动
4. 负责团队和联系人
5. 推荐的通知时机：实施前/部署前/部署后

输出：影响矩阵 + 推荐的发布顺序 + 受影响团队的通知消息草稿。

提示词3：循环依赖检测与解决

请分析服务依赖图中的循环依赖并推荐解决方案。

依赖图：
[粘贴邻接表或提供依赖数据链接]
格式：ServiceA -> ServiceB（依赖类型）

对发现的每个循环依赖：
1. 完整循环路径（例如：A -> B -> C -> A）
2. 循环中的依赖类型（同步API、异步事件、共享数据）
3. 风险评估：如果循环中一个节点故障或独立部署会发生什么？
4. 此循环引发的历史事故（如有数据）
5. 按工作量和影响排序的解决方案选项：
   - 引入异步解耦（事件总线）
   - 将共享逻辑提取到新服务
   - 合并紧密耦合的服务
   - 实现熔断器和降级

输出：所有循环列表 + 按风险排序的解决方案计划 + 前3个优先修复项的预计工作量。

12. AI工程招聘流程优化器

数据驱动的招聘优化将工程职位的招聘周期从67天缩短至34天，并将录用接受率从62%提升至84%。

痛点与解决方案

痛点：工程招聘既耗时间又流失顶尖候选人

工程招聘是技术负责人面临的最耗时的职责之一，也是低效影响最直接的地方——它直接决定团队的交付产能。每个空缺职位都意味着团队执行能力的缺口，而一个工程职位平均需要60-90天才能填补。在此期间，技术负责人每周花8-12小时在招聘活动上：筛选简历、进行电话初筛、设计编程挑战、主持技术面试、撰写评估报告、出席招聘委员会会议。这些时间直接从他们担任技术执行负责人的主要工作中削减。

招聘流程本身充满了驱走候选人的摩擦，尤其是团队最希望雇用的那类人。被动探索机会的顶尖工程师，一旦遭遇面试轮次之间长达一周的等待、收到没有反馈的通用拒信，或在四轮面试后才发现职位的技术范围与招聘启事描述不符，就会选择退出。技术负责人缺乏可见性，看不到候选人在流程哪个环节受阻，哪个面试官的候选人流失率最高，以及团队的面试流程与竞争对手在速度和候选人体验上的差异。

评估质量问题同样严重。不同面试官以不同的标准评估不同的内容，导致招聘委员会讨论沦为主观争论而非结构化评估。强势候选人被拒，因为一个面试官提了一道无关的脑筋急转弯；而较弱的候选人过关，因为他们恰好碰到了简单的问题。技术负责人没有系统性的方法来校准面试官、识别评估盲点，或确保面试流程真正能预测在岗表现。结果是招聘流程既太慢、又太贵，预测力还不足。

COCO 如何解决

流程分析与瓶颈检测：COCO提供端到端的招聘漏斗绩效可见性：
- 追踪每位候选人在每个流程阶段的精确时间戳和阶段时长
- 识别候选人等待时间最长的瓶颈阶段（排期空档、面试官时间紧张）
- 测量每个阶段的转化率，标记流失率或拒绝率异常高的阶段
- 按职位、团队、资历级别和来源渠道细分流程指标，揭示隐藏规律
- 生成每周流程健康仪表板，展示空缺职位、阶段分布和预计招聘时间
面试流程标准化：COCO确保一致、高质量的技术评估：
- 针对团队所需能力生成职位专属面试指南，包含结构化问题
- 创建附明确评分标准的评分表，确保不同面试官评估相同维度
- 轮换题库以防候选人分享相同题目，同时保持可比性
- 向面试官提供包含候选人背景和建议关注领域的面试前简报
- 追踪题目效果——哪些问题最能预测录用接受和后续绩效
候选人体验优化：COCO最大限度减少使顶尖候选人失联的摩擦：
- 监控面试轮次之间的时间差，标记候选人等待过久的情况
- 生成个性化状态更新通知，保持候选人的参与度
- 分析候选人反馈调查，识别体验痛点并追踪改进情况
- 将团队的招聘时间线与行业标准和竞争对手流程进行基准比较
- 推荐流程压缩机会——可以合并或并行进行的面试环节
评估综合与校准：COCO将主观反馈转化为结构化招聘决策：
- 将所有轮次的面试官反馈汇总为标准化维度的统一候选人评分卡
- 识别评估者分歧，突出显示面试官意见相左的具体领域
- 检测面试官偏差模式——相比同行评估者系统性偏严或偏宽
- 生成数据支撑的招聘委员会简报，包含清晰的优势、疑虑和风险评估
- 追踪面试分数与后续在岗绩效的相关性，验证评估效果
职位描述与招聘渠道智能：COCO优化职位在市场中的定位：
- 分析职位描述的清晰度、包容性和相对市场上类似职位的竞争力
- 根据市场数据、职位要求和候选人池信号推荐薪酬区间调整
- 识别哪些招聘渠道对特定职位类型产出质量最高的候选人
- 生成针对不同候选人画像和资历级别定制的主动联系模板
- 按职位描述版本追踪申请到面试的转化率，A/B测试定位变更
招聘结果追踪与流程改进：COCO将招聘决策与团队结果相连接：
- 追踪新员工的融入时间、第一年绩效评分和留存情况，并与面试分数对比
- 识别哪些面试能力维度对组织的长期成功预测力最强
- 根据结果数据推荐流程变更——增加、删除或重组面试环节
- 生成季度招聘效果报告，包含每招成本、招聘质量和多样性指标
- 将团队招聘结果与组织平均水平和行业标准进行基准比较

量化结果与受益角色

可量化成果

招聘周期：从职位开放到录用接受的平均天数从67天缩短至34天（快49%）
录用接受率：接受录用的候选人比例从62%提升至84%（通过更好的流程和沟通）
技术负责人招聘时间：每个空缺职位每周花在招聘活动上的时间从10小时减至4小时
面试校准度：同一候选人面试分数的评估者方差从**±1.8分缩小至±0.5分**（5分制）
招聘质量：新员工6个月绩效评分从平均3.2/5提升至4.1/5

受益角色

技术负责人：减少在招聘事务上的时间，将更多精力用于候选人评估和团队规划
工程经理：获得关于流程健康和招聘团队效能的数据驱动洞察
招聘人员：收到面试官清晰一致的反馈，以及候选人参与度的预测分析
候选人：体验到更快速、更透明、更受尊重的招聘流程

💡 实用提示词

提示词1：招聘流程健康分析

请分析团队[团队名称][职位名称]过去[3/6/12]个月的招聘流程，识别优化机会。

流程数据：
- 申请人总数：[数量]
- 阶段推进：[每个阶段的申请人数及时间戳]
  - 简历筛选 → 电话初筛 → 技术面试 → 系统设计 → 招聘委员会 → 录用
- 发出录用：[数量]
- 录用接受：[数量]
- 每个阶段的候选人流失：[数量]
- 每个阶段的平均时间：[天数]

请分析：
1. 转化漏斗及每个阶段的转化率——哪里流失最大？
2. 时间分析：哪个阶段等待时间最长？是排期、评估还是决策延误？
3. 来源渠道效果：哪些渠道产出的候选人推进最远？
4. 面试官利用率：某些面试官因时间紧张是否成为流程瓶颈？
5. 竞争对比：我们的时间线与[职位类型]的行业基准相比如何？

输出：漏斗可视化 + 瓶颈分析 + 按招聘时间影响排序的前5个可执行改进建议。

提示词2：技术面试指南生成器

请为[资历级别]的[职位名称]生成结构化技术面试指南。

职位要求：
- 核心能力：[列出所需技术技能]
- 团队背景：[团队构建的内容、技术栈、业务领域]
- 入职后6个月将面临的主要挑战：[描述]

请为[45/60/90]分钟面试生成：
1. 开场（5分钟）：根据候选人背景定制的建立关系问题
2. 技术深度（20分钟）：测试[核心能力]的2-3道题，每道包含：
   - 问题和背景设定
   - 针对不同技能层次的追问（初级→高级→资深）
   - 评分标准：1/2/3/4/5分的回答分别是什么样的？
3. 系统设计或问题解决（20分钟）：1道与[团队领域]相关的场景题
   - 问题陈述和约束条件
   - 每个资历级别的预期解题思路
   - 需要注意的红旗与绿旗
4. 结尾（5分钟）：关于团队和职位的推荐卖点

输出：面试指南文档 + 单独的评分标准表 + 面试官准备说明。

提示词3：候选人评估综合

请将[候选人姓名]的面试反馈综合成招聘委员会简报。

面试反馈：
- 电话初筛（[面试官姓名]）：[粘贴反馈和评分]
- 技术面试（[面试官姓名]）：[粘贴反馈和评分]
- 系统设计（[面试官姓名]）：[粘贴反馈和评分]
- 文化/价值观面试（[面试官姓名]）：[粘贴反馈和评分]

职位要求：[粘贴职位描述或关键能力]

请生成：
1. 将所有面试官评估映射到职位所需能力的统一评分卡
2. 优势：候选人明确达到或超出标准的前3个领域
3. 疑虑：面试官标记的风险点，附具体证据引用
4. 分歧：面试官评估相左的领域——需要讨论什么
5. 总体建议：强烈推荐/推荐/边缘/不推荐——附置信度和理由
6. 招聘委员会建议的讨论主题（聚焦1-2个最模糊的领域）

13. AI冲刺容量规划器

智能产能建模将冲刺承诺准确率从58%提升至91%，并将因过度承诺引发的倦怠事件减少74%。

痛点与解决方案

痛点：凭直觉而非数据进行冲刺规划

大多数工程团队的冲刺规划遵循一个可预测的模式：技术负责人询问团队能承接多少工作，乐观的工程师承诺了雄心勃勃的目标，到了冲刺末尾，已承诺故事的30-40%仍未完成。结转的工作项越堆越多，冲刺速度变成了不可靠的虚构数字，利益相关者对工程交付估算失去信任。根本问题在于，产能规划将可用工程师工时视为固定输入，而实际上，产能是一个受值班轮换、会议、代码审查、面试、计划外事故以及在并发工作流之间切换上下文的认知开销所影响的动态变量。

技术负责人试图用非正式缓冲来补偿——"取理论产能的80%"——但这些经验法则忽略了真正重要的具体因素。一个有两名资深工程师休假、一人在值班、而且冲刺中间有一场重要演示日的冲刺，与一个全员到岗的平静冲刺有着截然不同的有效产能。如果不明确地对这些因素建模，技术负责人本质上就是在猜测，而团队为此承担后果——错过承诺、周末加班或让产品合作伙伴失望的范围削减。

影响超越了单个冲刺的绩效。长期的过度承诺会造成死亡螺旋：工程师学会了冲刺承诺只是一种愿景而非约束，从而不再认真对待规划。速度指标变得毫无意义，因为它们衡量的是承诺的故事点，而非交付的价值。产品经理无法构建可靠的路线图，因为他们无法预测功能何时会真正交付。而技术负责人——夹在乐观的工程师和不耐烦的利益相关者之间——成了一个瓶颈调解人，在规划会议上谈判范围，而非讨论架构和方案。

COCO 如何解决

动态产能建模：COCO从实际可用性数据计算现实的冲刺产能：
- 与日历系统集成，核算每位工程师的带薪休假、节假日、公司活动和周期性会议
- 将值班轮换与历史数据结合，评估值班职责实际减少冲刺生产力的程度
- 计算面试负载——已排期的面试以及每次面试包含准备和汇报的历史平均时长
- 根据每位工程师承载的并发工作流数量，对情境切换开销建模
- 根据团队构成进行调整——有更多初级工程师的冲刺需要更多资深审查和配对时间
历史速度校准：COCO将估算建立在团队实际交付成果的基础上：
- 维护按冲刺条件细分的速度历史记录（团队规模、值班负载、复杂度混合）
- 识别季节性规律——季度末、节假日或年度绩效考核前后的冲刺速度持续偏低
- 计算每位工程师的速度范围，核算估算和交付方面的个体差异
- 区分不同速度特征的故事类型（功能工作、缺陷修复、技术债务、基础设施）
- 检测速度趋势——预示流程问题的持续下滑，与已知原因引发的临时下滑
承诺风险评估：COCO评估完成提议冲刺范围的概率：
- 使用历史数据运行蒙特卡洛模拟，预测提议待办事项的完成概率
- 识别将冲刺推过置信阈值的具体故事，并推荐删减
- 根据类似历史故事的实际耗时，标记估算风险高的个别故事
- 检测依赖风险——某个故事必须在另一个故事完成后才能开始，形成串行瓶颈
- 生成按风险调整的冲刺计划，展示"安全"承诺与"拉伸"承诺及置信区间
计划外工作预算计算器：COCO为中断事件预留适当的产能：
- 分析历史计划外工作模式：生产事故、紧急缺陷修复、客户升级、临时请求
- 根据实际数据，将团队专属的计划外工作预算计算为总产能的百分比
- 按来源细分计划外工作，帮助团队减少影响最大的类别
- 根据当前系统健康状况调整预算——告警量高的团队应预留更多缓冲
- 追踪计划外工作预算本身的预测准确性，并随时间自我校准
冲刺构成优化器：COCO为每个冲刺推荐最优的工作组合：
- 按团队定义的分配目标平衡功能工作、技术债务和可靠性投资
- 确保知识分布——防止所有关键路径工作都依赖单一工程师
- 针对初级工程师成长与冲刺需求交叉的故事推荐配对分配
- 对故事进行排序以最小化阻塞时间——将解锁其他故事依赖的工作前置
- 验证冲刺计划中每个故事都有足够的测试、文档和审查时间
冲刺后准确性分析：COCO将每个冲刺转化为规划改进机会：
- 比较已承诺与已交付的工作，详细分解变更内容和原因
- 对未完成故事进行分类：高估、低估、受阻、缩减范围或降低优先级
- 识别系统性估算偏差——团队持续高估或低估的故事类型
- 追踪结转率，并将其与冲刺条件关联，以改进未来规划
- 生成冲刺规划复盘报告，附下个冲刺规划方式的具体建议

量化结果与受益角色

可量化成果

冲刺承诺准确率：已完成与已承诺故事比率从58%提升至91%（提升33个百分点）
结转率：转入下个冲刺的故事从已承诺范围的34%降至7%
过度承诺事件：需要周末加班或紧急削减范围的冲刺从每季度4.2次降至1.1次（减少74%）
规划会议时长：有了预填充产能数据，冲刺规划时间从3.5小时减至1.5小时
利益相关者信心：产品经理对交付可预测性的满意度从2.8/5提升至4.5/5

受益角色

技术负责人：带着数据支撑的产能模型进入冲刺规划，而不是依靠直觉和谈判
软件工程师：体验到尊重实际可用性的可持续冲刺承诺，减少倦怠
产品经理：基于经过校准的交付预测构建可靠的路线图，准确设定利益相关者预期
Scrum Master：主持更高效的规划会议，聚焦方案和风险而非范围谈判

💡 实用提示词

提示词1：冲刺产能计算

请计算团队[团队名称]冲刺[冲刺日期]的有效产能。

团队成员：
[列出每个成员及其角色和资历级别]

可用性调整：
- 带薪休假：[列出休假人员和具体日期]
- 值班：[本次冲刺谁担任主要/次要值班]
- 已排期面试：[每人的面试数量]
- 周期性会议：[列出影响工程时间的固定会议]
- 特别活动：[演示日、全员大会、培训等]

历史基线：
- 过去6次冲刺的平均速度：[X故事点]
- 平均计划外工作量：[Y%的产能]
- 值班生产力影响：[历史上Z%的下降]

请计算：
1. 每位工程师的总可用小时数
2. 扣除会议、值班、面试和开销后的净生产小时数
3. 团队级有效产能（故事点，使用历史每生产小时速度）
4. 推荐的承诺范围：保守（90%置信度）/目标（70%置信度）/拉伸（50%置信度）
5. 需预留的计划外工作预算

提示词2：冲刺范围风险评估

请评估在时间盒内完成以下提议冲刺范围的风险。

冲刺产能：[X故事点/Y生产天数]

提议故事：
[列出每个故事：标题、估算、负责人、依赖关系、故事类型]

历史参考：
- 类似类型和大小的故事：实际与估算的平均比率
- 该总规模冲刺的团队完成率：[X%]

对每个故事，请评估：
1. 估算置信度：高/中/低（基于需求清晰度和与过往工作的相似度）
2. 依赖风险：是否存在可能延误开始的阻碍？
3. 单人风险：该故事是否依赖一个可能被临时抽调的人？

对整个冲刺，请提供：
1. 蒙特卡洛模拟：完成所有已承诺故事的概率
2. 推荐删减列表：需要删除哪些故事才能达到90%完成置信度
3. 拉伸候选：若冲刺进展顺利可以增加的故事
4. 排序：最小化阻塞时间和最大化早期反馈的最优顺序
5. 风险缓解：头2天应采取的具体行动，以降低冲刺风险

提示词3：速度趋势分析

请分析团队[团队名称]过去[6/12]次冲刺的速度趋势。

冲刺数据：
[每次冲刺：日期、已承诺点数、已交付点数、团队规模、值得注意的事件]

请分析：
1. 速度趋势：是增长、稳定还是下滑？计算趋势线。
2. 可变性：标准差是多少？团队产出的可预测性如何？
3. 相关性分析：哪些因素对速度影响最大？（团队规模变化、值班负载、冲刺目标等）
4. 结转模式：哪种类型的故事最容易结转？
5. 季节性规律：节假日、季度末或年度活动前后是否有可预测的速度下降？

建议：
1. 基于当前趋势，下次冲刺的理想承诺范围
2. 减少速度可变性的前3个行动
3. 根据已识别规律调整产能

14. AI代码库知识图谱构建器

自动化代码库知识图谱将新工程师上手时间从3个月缩短至5周，并将因人员流失导致的隐性知识损失减少80%。

痛点与解决方案

痛点：关键代码库知识被困在工程师的脑子里

每个成熟的代码库都积累了一层代码本身无从体现的核心知识：某个设计模式为何被选择而非替代方案，哪个模块看似简单却实际处理了关键的边界情况，那个奇怪的变通方案有怎样的历史背景，以及哪些部分以非显而易见的方式紧密耦合在一起。这些知识仅存在于构建和维护系统的工程师脑中。当这些工程师离开团队——无论是由于人员流失、重组还是仅仅转向不同项目——他们的知识也随之消失，留下看不见的缺口，以缺陷、回归和浪费的排查时间的形式显现。

这个问题对新员工入职的打击最为沉重。加入团队的新工程师面临2-4个月的上手期，在此期间他们实际上以减少的产能运转，同时建立对代码库的心理模型。他们阅读的文档已过时，在Slack里提问得到的是不完整的回答，做出的谨慎修改需要大量审查，因为他们还不了解系统的不变量。技术负责人每周花5-8小时回答新团队成员重复的问题——"这个服务为何存在？"、"谁调用了这个接口？"、"为什么我们不能重构这个模块？"——而这些时间本可用于架构和技术领导力。

知识碎片化问题随系统规模扩大而加剧。在一个跨数十个模块、代码量达数十万行的代码库中，没有任何一个人能再完整理解整个系统。每位工程师都持有一块拼图——一个人了解支付流程，另一个知道认证边界情况，第三个了解数据管道为何以那种特定的重试机制设计。当一个跨切变更需要发生时，技术负责人必须协调一系列对话，拼凑出足够的集体知识来做出明智的决策。这个知识组装过程代价高昂、不可靠（关键人员可能不在），且不会产生任何持久的记录。

COCO 如何解决

自动化代码考古：COCO从代码库历史而非仅当前状态中提取知识：
- 分析git blame、提交信息和PR描述，重建每次重大变更背后的推理
- 识别具有异常高变动率的代码段，指示持续复杂性或不稳定性的区域
- 映射作者历史，识别知识集中情况——单一作者贡献了80%以上变更的模块
- 从代码注释、提交信息和关联问题追踪讨论中提取设计决策
- 构建时序知识图谱，展示重大架构变更何时发生及谁主导了这些变更
语义代码关系映射：COCO构建代码组件关联的可导航图谱：
- 以类型级精度映射整个代码库的调用图、数据流路径和依赖链
- 识别隐性关系——即使没有直接导入也总是一起变更的模块（逻辑耦合）
- 发现共同假设：依赖相同不变量、配置或环境条件的模块
- 使用静态分析和运行时追踪数据，跨服务边界映射API消费者与提供者
- 生成交互式关系可视化，让工程师探索任何模块的连接
上下文文档生成：COCO创建工程师真正需要的文档：
- 生成模块级概述，解释每个组件的功能、关键接口及其在系统中的角色
- 为非显而易见的代码生成"为何"文档——业务背景、已处理的边界情况和被拒绝的替代方案
- 为特定工程角色创建入职指南：后端、前端、基础设施、数据
- 从Slack、PR审查和入职会议中的实际问题构建FAQ文档
- 通过检测代码变更使现有文档失效时标记所需更新，保持文档新鲜度
知识缺口检测与告警：COCO在问题造成损失之前识别知识风险：
- 为每个模块计算"巴士因子"评分——有多少工程师能充分理解并维护它
- 标记巴士因子为1的关键路径模块（单人知识集中）
- 检测知识衰减——主要作者近期没有贡献或已离开团队的模块
- 识别没有文档、没有近期资深工程师PR审查且缺陷率高的区域
- 按业务关键性乘以知识风险排序，生成优先级知识转移计划
交互式代码库问答：COCO作为随时可用的代码库专家：
- 用自然语言回答关于代码库的问题："这个函数做什么？"、"为什么使用这个模式？"
- 当工程师询问"X数据如何从A流转到B？"时，跨服务端到端追踪数据流
- 通过分析哪些模块和行为将受影响，解释提议变更的影响
- 为任意代码段提供历史背景——何时编写、解决了什么问题、如何演变
- 当工程师描述想要构建的内容时，建议现有的相关代码，减少意外重复
知识转移工作流自动化：COCO将知识共享和保存系统化：
- 在团队构成变化时（离职、调岗、新员工）生成知识转移检查清单
- 创建专注于每位新团队成员最高风险知识缺口的配对会话议程
- 记录并结构化配对会话和架构讨论中共享的知识，供未来参考
- 随时间追踪知识分布情况，报告团队知识韧性是增强还是减弱
- 建议代码审查分配，最大化交叉培训——将审查路由给需要接触不熟悉模块的工程师

量化结果与受益角色

可量化成果

新工程师上手时间：第一次独立功能交付的时间从12周缩短至5周（快58%）
知识巴士因子：巴士因子大于1的关键模块比例从34%提升至87%
隐性知识损失：人员流失后的生产力下滑从离职后一个季度团队速度损失35%降至7%
技术负责人问答时间：回答代码库问题的时间从每周7小时减至1.5小时
重复代码创建：新代码重复现有功能的比率通过更好的可发现性从12%降至2%

受益角色

新工程师：通过上下文文档、交互式问答和结构化入职路径更快上手
技术负责人：减少重复性知识转移时间，并获得代码库知识风险的可见性
工程经理：通过可量化的知识分布指标和主动转移规划降低人员流失风险
资深工程师：以持久的、可搜索的格式保存其架构知识，而不是依赖口耳相传

💡 实用提示词

提示词1：代码库知识图谱生成

请为[代码库/服务名称]代码库生成知识图谱。

代码库：[仓库URL或路径]
主要语言：[语言]
架构类型：[单体/微服务/模块化单体]

请分析并输出：
1. 模块清单：列出所有主要模块/包，每个附一句话描述
2. 依赖图：哪些模块依赖哪些（Mermaid图表）
3. 所有权图：基于git历史（过去12个月）的每个模块主要作者
4. 巴士因子分析：单一作者贡献了80%以上提交的模块
5. 变动分析：变更频率最高的模块（潜在的复杂度热点）
6. 知识缺口：没有文档、提交信息稀疏且缺陷率高的模块

输出：交互式HTML报告 + Mermaid图表 + 优先级知识转移建议。

提示词2：新工程师入职指南

请为加入团队[团队名称]的新[后端/前端/全栈/基础设施]工程师生成个性化入职指南。

代码库概述：
- 负责的服务：[列出服务及简要描述]
- 技术栈：[语言、框架、数据库、基础设施]
- 核心业务领域：[团队服务为最终用户做什么]

新工程师背景：
- 经验级别：[初级/中级/高级]
- 已有经验：[相关技术]
- 需要弥补的知识缺口：[不熟悉的技术或业务领域]

请生成：
1. 第1周指南：环境搭建、第一个PR（好的入门Issue）、需要阅读的关键文档
2. 第2-3周指南：需要理解的核心模块、推荐的代码阅读路径（按依赖顺序）
3. 第4-6周指南：更深入的系统理解、配对会话主题、第一次功能级别贡献
4. 关键联系人：[模块领域] → [最了解它的人]
5. FAQ：新工程师常问的前20个问题，附从代码库上下文提取的答案

输出：结构化入职文档 + 首次贡献建议Jira工单 + 配对会话议程模板。

提示词3：知识转移清单生成器

请为[X周后]将离开团队[团队名称]的[离职工程师姓名]生成知识转移清单。

工程师的工作范围：
- 主要负责的模块：[从git分析或手动输入]
- 担任主要值班的服务：[列出]
- 正在主导的活跃项目：[列出]
- 未记录的知识领域：[已知只有他们是专家的领域]

可接收知识的人员：
- [列出可以接收知识的团队成员，附其当前专业领域]

请生成：
1. 按优先级排序的知识转移领域列表（基于关键性×唯一性）
2. 每个领域：推荐的接收人、转移方法（配对会话、文档、录制讲解）和预计时间
3. 在离职日期前覆盖所有关键转移的建议2周日程表
4. 每种转移类型的文档模板（架构讲解、运维手册、决策历史）
5. 验证清单：如何确认接收人具备足够的理解（例如他们能独立修改该模块吗？）

15. AI发布就绪评估器

自动化发布就绪评估将生产回滚率从14%降至3%，并将发布验证时间从2天缩短至3小时。

痛点与解决方案

痛点：发布建立在希望而非证据之上

"我们准备好发布了吗？"这个问题本该有清晰的、数据驱动的答案。然而在实践中，它是技术负责人面临的最令人焦虑的问题之一。大多数组织的发布就绪评估是主观判断的检查清单："QA说看起来没问题"、"测试环境测试通过了"、"没有人提出任何阻碍"。这些定性信号遗漏了导致生产事故的系统性风险——被发布变更未覆盖的不完整测试、只有在生产规模下才会显现的性能回归、测试环境与生产环境之间的配置差异，以及测试环境无法准确复现的数据库迁移风险。

发布就绪判断失误的代价是不对称的：晚发布一天会损失团队的信誉，但发布一个有缺陷的版本则要付出数天的事故响应、客户信任和团队士气。然而，按时交付的压力始终压倒谨慎交付的动力。技术负责人反映，60%的情况下，他们在仍有疑虑的情况下批准了发布，因为他们缺乏客观数据来为延期提供理由。缺少量化就绪标准意味着每次发布都是一次判断调用，技术负责人对一个在信息不足情况下做出的组织决策承担个人责任。

随着部署频率的提高，问题愈发突出。实践持续交付的团队可能每天发布多次，手动就绪评估成为一个瓶颈，要么减慢部署速度，要么被完全跳过。无论哪种情况，团队都是输家：要么牺牲速度（否定了持续交付的意义），要么牺牲安全（增加事故率）。挑战在于使就绪评估和部署管道本身一样自动化、客观，让发布成为数据驱动的决策，而不是勇气的考验。

COCO 如何解决

针对发布范围的自动化测试覆盖率分析：COCO专门评估被发布变更的测试覆盖率：
- 映射当前发布候选版本与上次生产部署之间的代码差异
- 计算变更文件、函数和分支的测试覆盖率——而非仅关注整体覆盖率
- 识别发布差异中未经测试的代码路径，并根据组件关键性对风险进行分类
- 标记零测试覆盖率的新增代码，并基于类似历史变更估算缺陷概率
- 为高风险未测试区域生成有针对性的测试计划，按爆炸半径排序
性能回归检测：COCO将发布候选版本的性能与生产基线进行比较：
- 使用生产代表性流量模式，对发布候选版本运行自动化负载测试
- 将延迟百分位数（p50、p95、p99）、吞吐量和错误率与当前生产基线对比
- 识别显示具有统计显著性性能变化的特定接口或操作
- 检测内存泄漏模式、连接池耗尽和资源利用回归
- 生成性能对比报告，附每个受影响接口的上线/不上线建议
配置与环境漂移检测：COCO验证发布在生产环境中的行为与测试环境相同：
- 比较测试和生产的配置文件、环境变量和特性开关状态
- 识别环境之间值不同的配置项，并评估每个差异的风险
- 验证数据库模式版本、API契约版本和依赖版本符合预期
- 检查基础设施参数（实例规格、连接限制、超时值）与发布的兼容性
- 生成部署前配置检查清单，附需要验证或对齐的具体项目
依赖与兼容性验证：COCO检查所有外部依赖的兼容性：
- 验证发布中所有第三方库版本兼容且没有已知漏洞
- 检查与上下游服务在其当前生产版本的API契约兼容性
- 验证数据库迁移安全性——单向迁移、向后兼容的模式变更、回滚脚本
- 确认特性开关已正确配置，符合发布在生产中的预期行为
- 检测当多个服务独立部署时存在相互依赖变更的版本偏斜风险
历史风险评分：COCO基于历史部署模式预测发布风险：
- 分析历史部署数据，构建风险模型：哪些发布特征与事故相关
- 在差异大小、作者数量、受影响组件和距上次发布时间等维度对当前发布评分
- 与类似历史发布对比，展示其结果（成功、回滚、事故、需要热修复）
- 根据时机调整风险评分——周五、节假日前或流量高峰期的发布权重更高
- 提供综合就绪评分，附自动批准、需要人工审查或暂停的明确阈值
发布沟通与协调：COCO自动化发布周围的人工协调工作：
- 从提交信息和PR描述生成发布说明，按功能、修复和内部变更整理
- 为工程、产品和支持团队生成合适细节深度的利益相关者通知
- 为每个故障场景创建回滚计划，包含具体步骤、决策标准和沟通模板
- 追踪发布批准，确保在部署推进前收集所有必需的审批
- 生成发布后监控检查清单，指定部署后需要观察哪些指标以及观察多长时间

量化结果与受益角色

可量化成果

生产回滚率：需要回滚的发布从14%降至3%（提升79%）
发布验证时间：从"发布候选版本就绪"到"批准部署"的时间从2天缩短至3小时
发布后事故：部署后24小时内的事故从每月8.3起降至2.1起
发布信心评分：技术负责人对发布的平均信心评分从3.1/5提升至4.6/5
部署频率：团队在不增加事故率的情况下从每周2次发布提升至每日发布

受益角色

技术负责人：基于客观数据而非主观判断做出发布决策，降低个人风险和焦虑
QA工程师：将测试精力集中在自动分析识别出的最高风险区域，而非平均分配测试所有内容
SRE与值班团队：接收具有量化风险特征和准备好回滚计划的发布，实现更快的事故响应
产品经理：更快交付功能，有信心发布已按客观质量标准验证

💡 实用提示词

提示词1：发布就绪评估

请对[服务名称]发布[版本/标签]进行全面的发布就绪评估。

发布详情：
- 发布候选版本：[分支/标签/提交SHA]
- 上次生产部署：[版本/提交SHA]
- 部署目标：[生产环境详情]
- 计划部署时间：[日期和时间]

评估领域：
1. 代码差异分析：[变更文件数、增减行数、涉及作者]
2. 测试结果：[测试套件通过率、变更文件覆盖率]
3. 测试环境验证：[测试结果摘要及时长]
4. 性能测试：[如有负载测试结果]
5. 数据库迁移：[列出附迁移脚本的任何模式变更]
6. 特性开关：[列出正在切换的开关及其预期状态]
7. 外部依赖：[任何第三方变更或API版本更新]

请生成：
1. 风险评分（1-10）及按类别分解
2. 上线/不上线建议及置信度
3. 若上线：部署前检查清单和部署后监控计划
4. 若不上线：具体阻碍和修复步骤及工作量估算
5. 回滚计划，附决策标准和分步说明

提示词2：性能回归分析

请比较发布候选版本[RC版本]与当前生产基线的性能。

基线指标（当前生产）：
- p50延迟：[X ms]，p95：[X ms]，p99：[X ms]
- 吞吐量：[X req/sec]
- 错误率：[X%]
- CPU利用率：[X%]，内存：[X MB]

发布候选版本指标（来自负载测试）：
- p50延迟：[X ms]，p95：[X ms]，p99：[X ms]
- 吞吐量：[X req/sec]
- 错误率：[X%]
- CPU利用率：[X%]，内存：[X MB]

请分析：
1. 任何性能变化的统计显著性（差异是真实的还是噪音？）
2. 显示降级或改进的具体接口或操作
3. 资源利用趋势——是否有泄漏或饱和的迹象？
4. 峰值负载下的行为——RC处理流量峰值的能力与生产相比如何？
5. 建议：性能通过/需要调查/性能不通过

提示词3：数据库迁移风险评估

请评估本次发布中包含的数据库迁移风险。

迁移详情：
[粘贴迁移脚本或描述模式变更]

当前数据库状态：
- 数据库类型：[PostgreSQL/MySQL/MongoDB/等]
- 表规模：[受影响的表及行数]
- 当前流量：[受影响表的读写操作每秒]
- 主从设置：[主从、多区域等]

请评估：
1. 基于表规模和操作类型的迁移时长估算
2. 加锁行为：迁移是否需要表锁？需要多长时间？
3. 向后兼容性：应用程序能否在迁移期间同时运行新旧模式？
4. 回滚安全性：是否有反向迁移？是否已测试？
5. 数据完整性：迁移过程中是否可能有数据丢失或损坏？

建议：
1. 迁移前步骤（备份、只读模式、流量减少）
2. 最优迁移窗口（低流量时段）
3. 迁移期间的监控（观察什么，中止的阈值）
4. 确认成功的迁移后验证查询
5. 回滚决策标准和程序

16. AI值班轮换优化器

智能值班排班将下班后的疲劳事件减少63%，并确保所有工程师的轮班分配误差在5%以内。

痛点与解决方案

痛点：值班轮换耗尽你最优秀的工程师

值班职责是运维生产系统的必要部分，但大多数轮换计划使用忽略决定值班是否可持续或令人心力交瘁的人为因素的简单轮询算法。一位刚完成一周高强度事故响应的资深工程师，两周后又被轮到一个历史上事故高发的时段。一名新团队成员被指派对从未接触过的服务担任主要值班。一名有家庭责任的工程师连续三次被安排周末值班，而一名时间更灵活的同事两个月内都没有周末班。从技术上说，轮换平均分配了班次，但负担却极不平等。

技术负责人花费数小时手动调整轮换计划，考虑这些因素——围绕带薪休假调换班次、平衡周末覆盖、确保每个服务都有知识覆盖、调解工程师认为轮换不公平时的争议。这些手动调整很脆弱：一个改动引发一连串调整，生成的计划往往有漏洞或重叠，直到下次事故才被发现。技术负责人成了人工排班优化器，这项任务消耗时间和人际资本，却不产生任何工程价值。

隐藏的代价是对留存和士气的影响。研究一致表明，值班负担是导致资深工程师离职的三大因素之一。认为值班分配不公平或强度不可持续的工程师会开始寻找值班管理更好或不需要值班的公司。当资深工程师离开，他们的值班知识也随之消失，增加了剩余团队成员的负担，形成恶性循环。意识到这种动态的技术负责人往往通过自己承担过多值班来弥补，导致自身倦怠，并造成一个领导层单点故障。

COCO 如何解决

公平负载分配引擎：COCO在多个维度上优化轮换计划的公平性：
- 在滚动时间窗口内追踪每位工程师的累计值班小时数、周末班次和节假日覆盖
- 平衡的不只是班次数量，还有事故强度——经历过高事故周的工程师在接下来的轮换中安排更轻松的班次
- 考虑全球团队的时区分布，确保夜间覆盖负担被公平分担
- 按难度对班次加权：主要vs.次要、工作日vs.周末、节假日vs.普通日、历史高事故风险期
- 生成公平性报告，显示分配差异，标记任何工程师偏离团队中位数超过5%的情况
知识感知的覆盖规划：COCO确保值班工程师真正能够处理他们覆盖的系统：
- 根据代码贡献、过往事故参与情况和培训记录映射每位工程师的服务专业知识
- 验证每个值班班次对所有关键服务都有覆盖——不存在值班工程师对告警服务零了解的班次
- 识别需要在即将到来的轮换前填补的知识缺口，并生成影子班次建议
- 创建配对计划，让经验较少的工程师在担任主要值班前作为次要人员跟随专家
- 随时间追踪专业知识发展，逐步扩大每位工程师的值班覆盖范围
约束敏感的排班生成：COCO构建尊重人性需求的排班：
- 纳入带薪休假日历、个人偏好和周期性承诺（育儿、课程、宗教活动）
- 强制执行值班班次之间的最短休息时间——没有工程师应该连续两周值班
- 遵守防止疲劳积累的连续夜班/周末班上限政策
- 处理部分可用性——只能覆盖工作日但不能覆盖周末的工程师，反之亦然
- 支持班次互换，自动验证互换不违反任何约束或造成覆盖漏洞
历史事故模式整合：COCO使用事故数据优化覆盖时机：
- 按周几、时段和季节分析事故频率模式，预测高风险时段
- 在历史高事故窗口安排经验更丰富的工程师，加快解决速度
- 识别部署计划与事故峰值的相关性，在发布日对齐资深覆盖
- 根据系统稳定性趋势调整覆盖级别——增加次要值班或降低轮换频率
- 预测即将到来的高风险时段（重大发布、流量事件、基础设施变更）并提前调整排班
值班健康监控：COCO追踪值班的人为影响，在倦怠迹象出现时发出告警：
- 监控每位工程师的告警频率、下班后中断次数和平均响应时间
- 根据最近累计的值班负担、事故强度和睡眠中断模式计算疲劳评分
- 当任何工程师的疲劳评分超过可持续阈值时告警技术负责人
- 追踪值班负担与下游生产力（冲刺速度、PR产出）对个别工程师的相关性
- 生成季度值班健康报告，附改进结构的建议
升级路径优化：COCO为事故响应设计高效的升级链：
- 构建多层升级路径，包含明确的交接标准和超时阈值
- 确保升级路径在SLA窗口内总能到达具有相关专业知识的工程师
- 优化次要和第三级值班分配，在多人事故期间最小化总体团队中断
- 为常见升级场景创建操作手册，附预定义的沟通模板
- 每周测试升级路径的有效性，标记过期或无法联系的联系信息

量化结果与受益角色

可量化成果

下班后疲劳事件：报告值班引发倦怠的工程师从27%降至10%（减少63%）
覆盖漏洞事件：因排班漏洞导致告警无人响应的情况从每月3.2起降至0.1起
分配公平性：工程师间值班负担差异从**±22%缩小至±5%**（以团队中位数为基准）
排班创建时间：技术负责人创建和调整轮换排班的时间从每月4小时减至20分钟
值班离职因素：在离职访谈中将值班列为离职原因的工程师从31%降至8%

受益角色

技术负责人：消除手动排班管理的人际政治负担，专注于提高系统可靠性
值班工程师：体验到尊重个人生活和专业知识级别的公平、可持续的轮换
工程经理：通过可量化的公平性和健康追踪降低因值班负担引发的离职
SRE团队：确保事故响应覆盖始终包含具有相关专业知识的工程师，加快解决速度

💡 实用提示词

提示词1：值班轮换排班生成

请为团队[团队名称]生成未来[4/8/12]周的优化值班轮换排班。

团队名单：
[列出每位工程师：姓名、资历、时区、服务专业领域及任何约束]

约束条件：
- 带薪休假计划：[列出每人的带薪休假]
- 连续值班最长天数：[X]
- 主要轮换之间最短间隔：[X周]
- 周末覆盖政策：[等量轮换/自愿/资历豁免]
- 节假日覆盖：[列出即将到来的节假日及任何特殊政策]

历史数据：
- 过去[3/6]个月每人的值班小时数：[数据]
- 按日/时段的事故频率：[数据或规律描述]
- 即将到来的高风险事件：[发布、流量峰值、迁移]

请生成：
1. 主要和次要值班排班（按周或按日轮换）
2. 公平性报告：该排班后每人的累计负担
3. 覆盖验证：确认每个班次对所有关键服务都有专业知识覆盖
4. 互换建议：灵活性的预批准互换配对
5. 已知风险：覆盖薄弱或主要值班经验不足的时段

提示词2：值班负担分析

请分析团队[团队名称]过去[3/6/12]个月的值班负担分配情况。

数据输入：
- 值班排班：[谁在哪个时段值班]
- 事故日志：[每个班次的事故，附严重性、时长和时段]
- 告警数据：[每人告警数及响应时间]
- 下班后中断：[每人下班时段的告警数]

请分析：
1. 每人总值班小时数（按事故强度加权）
2. 下班后告警分布——谁被叫醒次数最多？
3. 周末和节假日负担——分配是否均匀？
4. 事故严重性分布——某些工程师是否承担了比例不当的高难度事故？
5. 疲劳风险评估——哪些工程师基于近期累计负担正在接近倦怠？

输出：公平性评分卡 + 个人负担摘要 + 下季度再平衡建议。

提示词3：值班就绪评估

请评估[工程师姓名]是否准备好对[服务/团队名称]担任主要值班。

工程师背景：
- 在团队的任期：[X个月]
- 他们贡献过代码的服务：[列出]
- 参与过的事故（作为观察者或次要）：[列出]
- 审阅过的操作手册：[列出]
- 已完成的影子班次：[数量和日期]

服务覆盖要求：
- 关键服务：[需要能处理的服务列表]
- 常见事故类型：[前5类事故及频率]
- 所需工具熟练度：[监控、部署、数据库访问等]

请评估：
1. 每项关键服务的知识评分（就绪/部分就绪/未就绪）
2. 事故响应能力：能否独立处理前5类事故？
3. 工具熟练度：是否熟悉所有必需的运维工具？
4. 缺口列表：需要额外培训或影子班次的具体领域
5. 建议：准备担任主要值班/需要备份的情况下准备/需要更多准备（附具体计划）

17. AI技术RFC审查助手

AI辅助的RFC审查将审查周期从3周缩短至5天，并将每份文档收到的实质性审查意见从4条增加到12条。

痛点与解决方案

痛点：RFC审查要么流于表面，要么陷入无休止的拉锯

意见征询（RFC）文档本应是工程组织在广泛参与下做出深思熟虑的技术决策的机制。然而在实践中，RFC流程饱受两种失败模式的困扰，技术负责人对此深感棘手。第一种是表面审查：忙碌的工程师浏览文档，留下一句"LGTM"就继续，RFC在没有应有审查的情况下推进。提案中的关键缺陷——可扩展性瓶颈、安全漏洞、运营复杂性或与现有系统的冲突——直到实施才被发现，届时修正成本比设计审查阶段高出10-100倍。

第二种失败模式是审查瘫痪。一个有争议的RFC吸引了数十条评论，其中许多是离题的、重复的，或者反映的是个人偏好而非实质性问题。讨论蔓延到评论帖、Slack频道和会议，却没有清晰的解决路径。技术负责人花数小时综合反馈、调解分歧，试图区分"必须解决"的问题和"有益但非必要"的建议。数周过去，RFC作者失去动力，提案要么慢慢死在审查炼狱里，要么带着未解决的异议被强行推进，这些异议在实施阶段再次浮出。

审查质量问题根源于缺乏结构。大多数RFC审查完全依赖个别审查者的知识和注意力。没有系统性的方法确保审查者考虑到可扩展性影响、安全风险、运营负担和成本——他们评估的是吸引眼球的内容。不同审查者应用不同标准，因此由平台团队审查的RFC在基础设施方面受到强力审查，而API设计方面毫无反馈；同样的RFC由产品团队审查则情况相反。技术负责人无法在不给已经满负荷运转的审查者造成不合理时间负担的前提下要求全面审查。

COCO 如何解决

自动化完整性分析：COCO在审查开始前评估RFC是否涵盖所有必需维度：
- 对照组织的RFC模板检查文档，标记缺失或不足的部分
- 验证问题陈述是否包含可量化的成功标准和清晰的范围边界
- 核实替代方案部分是否考虑了该类问题的标准方法中的至少几种
- 确保运营计划涵盖监控、告警、部署策略和回滚程序
- 为作者生成完整性评分，附具体缺口，供其在征求审查意见前先行解决
技术风险识别：COCO发现人工审查者常常遗漏的风险：
- 分析提案中的可扩展性问题：瓶颈、单点故障和非线性成本增长
- 识别安全隐患：新的攻击面、数据暴露风险、身份验证和授权缺口
- 评估运营复杂性：监控需求、调试难度和故障模式恢复程序
- 检测与现有架构决策、进行中的迁移或计划废弃的冲突
- 通过分析提议的数据访问模式、网络调用和计算复杂度，标记性能风险
跨组织知识整合：COCO将组织知识带入审查：
- 搜索过去的RFC和设计文档中的类似提案，展示其结果和经验教训
- 识别已经解决部分所提问题的现有系统，防止意外重复
- 映射提案对其他团队服务的依赖，标记与其路线图的潜在冲突
- 引用提案应与之对齐或明确取代的相关架构决策记录（ADR）
- 链接过去尝试类似方法的项目的复盘报告，突出哪些有效哪些失败
审查意见综合与优先级排序：COCO将审查反馈组织成可执行的类别：
- 聚合所有审查者的评论，将重叠关注点去重合并为统一主题
- 将每条评论分类为：阻塞性问题、建议改进、需要澄清的问题或超出范围
- 识别审查者达成共识的区域与需要讨论的真正分歧
- 按影响优先排序反馈——哪些评论如果不解决，对项目成功的风险最大
- 为RFC作者生成结构化的回应模板，每个关注点都需要明确的解决方式
决策促进与文档记录：COCO引导RFC走向清晰的决策：
- 追踪RFC在各阶段的进展：草稿、审查、修订、决策和实施
- 生成RFC审查会议议程，聚焦未解决的高优先级关注点
- 记录审查讨论中做出的决定，附理由、参与者和反对意见
- 在RFC被批准、修改或拒绝时创建正式决策记录，附支持性讨论的链接
- 确保已批准的RFC被按主题、技术和团队索引，便于未来检索
审查流程分析：COCO随时间衡量并改进RFC流程：
- 追踪从提交到决策的RFC周期时间，按审查阶段分解
- 衡量审查者参与率，识别持续提供最有价值反馈的审查者
- 分析RFC审查彻底程度与后续实施成功之间的相关性
- 识别持续在审查中陷入停滞的RFC主题，并推荐针对这些类别的流程调整
- 生成季度RFC流程健康报告，附提高审查质量和速度的建议

量化结果与受益角色

可量化成果

RFC审查周期：从提交到决策的平均时间从21天缩短至5天
实质性审查意见：每份RFC的可执行反馈平均数从4条增加到12条
审查阶段发现的设计缺陷：在RFC审查而非实施中识别的关键问题从23%提升至71%
审查参与率：提供实质性反馈的指定审查者比例从45%提升至88%
RFC作者满意度：将审查流程评为"有价值且高效"的作者从32%提升至81%

受益角色

技术负责人：凭借综合反馈和清晰的解决路径高效引导RFC决策，而非调解无休止的讨论帖
RFC作者：更快收到结构化、全面的反馈，减少在审查炼狱中的挫折感
资深工程师：借助AI浮现的风险分析和跨组织上下文，更有效地审查RFC
架构审查委员会：凭借完整的风险评估和历史先例分析，做出更明智的决策

💡 实用提示词

提示词1：RFC预审质量检查

请评估以下RFC草稿的完整性及提交同行评审的就绪程度。

RFC文档：
[粘贴完整RFC文本]

组织的RFC模板要求：
[粘贴模板或列出必填部分]

请评估：
1. 模板合规性：哪些必填部分存在、不完整或缺失？
2. 问题陈述质量：问题是否定义清晰，附可量化的成功标准？
3. 替代方案分析：是否考虑了至少3个替代方案，附明确的权衡分析？
4. 运营计划：是否涵盖部署、监控、告警、回滚和操作手册？
5. 范围清晰度：RFC覆盖和不覆盖的边界是否明确说明？
6. 依赖识别：是否列出了所有跨团队依赖和集成点？

对发现的每个缺口：
- 缺失的内容
- 对审查者的重要性
- 建议的内容或作者应解决的问题

输出：完整性评分 + 缺口列表 + 发送给审查者前的修订建议。

提示词2：RFC的技术风险分析

请对以下RFC提案进行技术风险分析。

RFC文档：
[粘贴完整RFC文本或关键部分]

系统背景：
- 现有架构：[描述或链接到架构图]
- 当前流量/规模：[相关规模指标]
- 受影响区域的已知技术债务：[列出]
- 正在进行的迁移或废弃：[列出]

请在以下类别分析风险：
1. 可扩展性：这个设计能处理当前负载的10倍吗？瓶颈在哪里？
2. 可靠性：故障模式是什么？是否有优雅降级？
3. 安全性：新的攻击面、数据暴露或身份验证问题？
4. 性能：数据访问模式、网络调用、计算复杂度？
5. 运营复杂性：监控、调试和维护的难度如何？
6. 兼容性：与现有系统、ADR或计划变更的冲突？

对识别出的每个风险：
- 描述和严重性（关键/重大/次要）
- 发生概率（高/中/低）
- 推荐的缓解措施
- 作者应解决的问题

输出：风险登记表 + 需要RFC修订的前3大风险 + 审查讨论中的待解问题。

提示词3：RFC审查反馈综合

请将RFC[标题/ID]的审查反馈综合为作者的可执行摘要。

审查评论：
[粘贴所有审查者评论，附审查者姓名]

请输出：
1. 去重后的关注点列表：将重叠评论合并为统一主题
2. 每个关注点的分类：
   - 阻塞性：批准前必须解决
   - 改进性：应解决但不阻塞
   - 问题性：需要作者澄清
   - 超范围：有效观点，但属于单独讨论
3. 共识图：哪些关注点获得普遍认同vs.存在分歧
4. 优先级排序：按对项目成功影响对关注点排序
5. 为作者建议的回应模板，每个关注点需要明确的处理方式（接受/拒绝并附理由/延后）

输出：结构化反馈摘要 + 作者回应模板 + 推荐的审查会议议程（仅聚焦阻塞性和存在分歧的事项）。

18. AI迁移风险评估器

数据驱动的迁移风险评估将迁移失败率降低76%，并提供误差在15%以内的准确工作量估算。

痛点与解决方案

痛点：迁移超出每一个估算并且把一切都弄坏

系统迁移——无论是迁移数据库、升级框架、重新平台化服务还是解耦单体——是软件工程中风险最高的工作之一，也是估算最不准确的工作之一。技术负责人提议一次"简单直接"的PostgreSQL 12到15的迁移，估算3个冲刺，六个月后却发现团队还在解开兼容性问题、性能回归和没有人预料到的边缘情况。最初的估算遗漏了下游影响的级联效应：依赖废弃行为的应用程序代码、需要重写的存储过程、依赖特定数据库内部的集成测试，以及假设旧版本配置格式的运维工具。

估算失败是系统性的，而非个人判断的失误。迁移涉及一种人类始终低估的复杂性：正在变更的组件与系统其余部分之间的交互效应。每个单独的交互可能很简单，但交互的总数随系统复杂性的组合式增长。一个有20个API消费者、5个共享数据库表、3个事件总线主题和自定义监控仪表板的服务，迁移可能影响数百个潜在的交互点。使用电子表格规划的技术负责人通常只识别出这些交互的40-60%，遗漏了消耗大部分实际迁移工作量的长尾边缘情况。

风险复合是因为迁移很少是团队的首要使命。它们与功能开发、缺陷修复和其他优先级竞争产能。当迁移耗时超出估算时，它占据团队的带宽达数季度而非数周，挤占了计划工作，并对路线图产生连锁影响。利益相关者失去耐心，压力随之而来要走捷径，迁移本身成了技术债务的来源而非清偿。最坏的情况是，迁移中途被放弃，组织最终同时运行两套系统——与预期简化恰好相反。

COCO 如何解决

全面影响面分析：COCO映射迁移将触及的每一个系统交互：
- 扫描整个代码库，查找对被迁移组件的引用（导入、配置、API调用、查询）
- 识别隐性依赖：依赖当前系统特定行为、性能特征或副作用的代码
- 映射数据迁移需求：模式差异、数据类型变更、编码不兼容性和数据量
- 目录清查集成点：引用被迁移组件的测试、监控配置、部署脚本、操作手册和文档
- 生成完整的交互清单，基于复杂度分类，附每个交互的工作量估算
历史迁移基准：COCO使用类似历史迁移的数据校准估算：
- 维护包含实际工作量、时长、团队规模和事故数量的历史迁移数据库
- 基于迁移类型、系统复杂度和团队经验，将提议迁移与类似历史项目匹配
- 计算现实因子：组织中可比迁移的实际与估算工作量的历史比率
- 识别常见意外类别——在类似迁移中持续出现但不在初始计划中的问题类型
- 对历史上低估的类别上调工作量估算
风险分类与概率建模：COCO量化迁移风险的可能性和影响：
- 将风险分类为：数据完整性、性能回归、兼容性中断、运维工具和回滚失败
- 根据迁移特征和历史先例分配概率评分
- 对每个风险建模最坏情况，估算风险实现时所需的额外工作量
- 计算综合风险评分，并将其映射到整体迁移时间线的置信区间
- 生成风险登记表，附每个已识别风险的具体缓解行动，按预期影响排序
阶段性迁移计划生成器：COCO创建减少爆炸半径的增量迁移策略：
- 将大型迁移分解为独立可部署的阶段，附清晰的验证检查点
- 为数据库迁移设计双写和影子读模式，实现渐进式切换
- 规划应用迁移的特性开关策略，支持渐进式发布和即时回滚
- 排序各阶段，优先交付价值——先迁移最简单、风险最低的组件，建立团队信心
- 为每个阶段生成特定的成功标准和回滚触发器，让团队清楚何时推进或撤退
持续迁移健康追踪：COCO实时监控迁移进度并重新校准估算：
- 追踪迁移任务与计划的完成情况，及早检测速度下降
- 随着新信息浮现（发现的边缘情况、意外的兼容性问题），更新工作量预测
- 在迁移阶段监控系统健康——错误率、延迟、数据一致性——标记降级情况
- 生成每周迁移状态报告，附修订时间线、当前风险和建议调整
- 当迁移趋势指向显著时间线超支时，在技术负责人有足够时间干预之前发出告警
回滚安全验证：COCO确保团队在迁移出错时能安全撤退：
- 验证每个迁移阶段都有回滚程序且经过测试
- 识别不可逆的数据变更，并推荐保障措施（备份、双写窗口、时间点恢复）
- 在生产迁移开始前在测试环境中测试回滚脚本，并报告成功或失败
- 计算回滚时间窗口——切换后团队还能安全回退多长时间
- 记录触发回滚的决策标准，在高压情况下消除歧义

量化结果与受益角色

可量化成果

迁移失败率：需要回滚或重启的迁移从29%降至7%（减少76%）
估算准确性：实际迁移时长在COCO辅助估算的15%以内，而手动估算的偏差高达**±60%**
发现完整性：迁移开始前识别的迁移交互比例从52%提升至94%
迁移时长：通过更好的规划，可比迁移的平均耗时从4.5个月缩短至2.8个月
迁移期间的事故率：活跃迁移阶段的生产事故从每次迁移6.2起降至1.4起

受益角色

技术负责人：凭借现实的时间线和全面的风险简介规划迁移，保护自身信誉和团队产能
软件工程师：以清晰的阶段计划、经过验证的回滚程序和对整体方案的信心执行迁移
工程总监：凭借准确的成本和风险预测，对迁移投资做出明智的上线/不上线决策
产品经理：围绕现实的迁移时间线规划路线图，而不是在季度中期才发现迁移消耗了整个团队的产能

💡 实用提示词

提示词1：迁移影响评估

请评估将[组件]从[当前版本/技术]迁移到[目标版本/技术]的完整影响面。

迁移范围：
- 被迁移的组件：[数据库/框架/服务/库/基础设施]
- 当前状态：[版本、配置、已知定制化]
- 目标状态：[版本、配置、预期变更]
- 受影响的服务：[列出已知消费者和依赖]

请分析：
1. 代码影响：引用被迁移组件的文件、函数和配置（按类别附数量和工作量）
2. 数据影响：模式变更、数据类型差异、编码变更及需迁移的数据量
3. 集成影响：需要更新的测试、CI/CD管道、监控、告警和操作手册
4. 行为变更：版本之间默认行为差异、废弃特性和新需求
5. 性能影响：延迟、吞吐量、资源利用的预期变化

输出：完整交互清单 + 按类别的工作量估算 + 总工作量范围（乐观/预期/悲观）+ 前10大风险。

提示词2：迁移计划生成器

请为[迁移描述]生成阶段性迁移计划。

背景信息：
- 当前系统：[描述当前架构和被迁移的组件]
- 目标系统：[描述目标状态]
- 团队规模：[X名工程师可用于迁移工作]
- 产能分配：[团队产能中迁移vs.其他工作所占的百分比]
- 硬性截止日期：[如有] 或 期望时间线：[X个月]
- 风险承受度：[低——必须零停机/中——可接受短暂维护窗口/高——可接受较长停机]

请生成：
1. 阶段分解：具有范围、时长和依赖关系的独立迁移阶段
2. 每个阶段：具体任务、成功标准、回滚程序和上线/不上线决策点
3. 双写或影子策略（如适用）用于安全切换
4. 渐进式发布的特性开关计划
5. 每个阶段的测试策略：验证什么以及如何验证
6. 沟通计划：谁需要在何时知道什么
7. 资源分配：哪些工程师应基于专业知识负责哪些阶段

输出：甘特图格式的阶段计划 + 风险登记表 + 每阶段回滚程序 + 资源计划。

提示词3：迁移进度回顾

请回顾[迁移名称]的迁移进度，并重新校准时间线。

原始计划：
- 计划阶段：[列出原始时间线]
- 原始工作量估算：[X人周]
- 原始完成日期：[日期]

当前状态：
- 已完成阶段：[列出实际时长]
- 进行中阶段：[描述状态及完成百分比]
- 发现的问题：[列出遇到的意外、边缘情况或阻碍]
- 至今已消耗工作量：[X人周]

请重新校准：
1. 基于实际速度和新发现的复杂度，对剩余阶段的修订工作量估算
2. 附置信区间的更新完成日期
3. 对比：原始估算vs.修订估算，附差距解释
4. 风险更新：执行期间发现的新风险 + 已知风险的概率变化
5. 建议：按计划继续/调整方案/暂停并重新评估/向上升级寻求额外资源

输出：更新的迁移时间线 + 修订后的风险登记表 + 面向领导层的决策建议。

19. AI开发者体验调查分析器

持续的开发者体验调查分析比人工审查快3倍地识别摩擦点，并驱动有针对性的改进，将开发者满意度从5.8/10提升至8.2/10。

痛点与解决方案

痛点：开发者满意度数据积满灰尘无人问津

工程组织日益认识到开发者体验（DX）直接影响生产力、留存率和代码质量。许多组织定期开展调查，询问工程师关于工具、流程和痛点的意见。问题不在于数据收集——而在于数据利用。调查结果以数百条自由文本回复混合李克特量表评分的形式呈现，技术负责人或工程经理面临着阅读每条回复、识别主题、从噪音中分离信号、将发现转化为可执行改进的艰巨任务。实践中，分析耗时太长，结果在调查关闭数周后才分享，此时团队已经继续前进，行动的紧迫感也随之消散。

定性数据是真正价值所在，但也是最难处理的部分。自由文本回复包含具体的、可执行的洞察——"CI管道每次推送需要45分钟，每次都会打断我的心流状态"或"测试环境太不稳定，以至于我在生产环境测试"——但这些洞察淹没在模糊的抱怨、称赞和离题评论之中。阅读200条自由文本回复的技术负责人会抓住最响亮的主题，却遗漏只有通过系统分析才能浮现的微妙模式。他们也带着自己的偏见——不自觉地给符合自己已知问题的抱怨赋予更多权重，而忽视自己没有亲身经历过的问题的信号。

行动缺口是最令人沮丧的失败模式。即使调查结果被分析和分享，将发现转化为具体改进也需要将主观反馈与特定技术投资相连接。"开发者对部署速度不满意"可能意味着投资于CI/CD优化、测试环境可靠性、特性开关基础设施，或仅仅是为现有部署流程提供更好的文档。如果没有量化每个摩擦点影响并将其映射到特定干预措施的结构化分析，调查结果会引发同情但不会触发行动。下次调查揭示的是相同的抱怨，开发者对反馈流程的信任随之侵蚀。

COCO 如何解决

自动化回复分类与主题提取：COCO将非结构化调查数据转化为有组织的洞察：
- 将自由文本回复分类为预定义的DX类别：工具、CI/CD、文档、测试、入职和流程
- 识别类别内的子主题，附从回复中提取的具体示例
- 检测每个主题的情感极性和强度，区分温和偏好与强烈痛点
- 将不同问题中描述同一底层问题的相关回复归组
- 生成主题频率图，展示哪些问题影响的开发者最多，哪些是孤立投诉
定量-定性关联引擎：COCO将数字评分与具体解释连接：
- 将低满意度分数与解释低分原因的具体自由文本评论相连接
- 识别定量分数高但定性评论揭示潜在问题的不一致之处
- 按团队、资历、任期和角色细分分析，揭示某些群体是否系统性地体验到不同的摩擦
- 对比各调查波次的分数，识别每个DX维度的趋势——改善、稳定或下降
- 计算分数变化的统计显著性，区分真实变化与随机波动
摩擦点影响量化：COCO估算每个已识别痛点的生产力成本：
- 将定性抱怨转化为估算的时间浪费："CI需要45分钟"乘以每日平均推送次数乘以团队规模
- 按总团队生产力影响而非仅投诉频率对摩擦点排序
- 区分频繁低影响的烦恼与罕见高影响的阻碍
- 根据严重性和情感强度估算每个摩擦点相关的留存风险
- 计算解决每个摩擦点的ROI：预计生产力收益vs.修复的预计投资
趋势分析与基准对比：COCO随时间追踪DX健康状况并与外部标准对比：
- 将当前调查结果与之前调查对比，进行自动趋势检测和显著性测试
- 将DX分数与行业数据（DORA指标、Stack Overflow调查、同行公司数据）进行基准比较
- 识别领先指标——特定DX维度中预示更广泛满意度变化的早期信号
- 通过将改进举措与后续调查分数变化相关联，追踪之前DX投资的影响
- 生成季度环比DX健康报告，展示进展、回退和需要关注的领域
可执行改进计划生成器：COCO将调查发现转化为具体的、有优先级的举措：
- 将每个已识别的摩擦点映射到具有范围、工作量估算和预期影响的具体技术干预措施
- 使用加权框架对改进进行优先排序：生产力影响、留存风险、实施工作量和受益广度
- 生成季度DX改进路线图，附每个举措的具体里程碑和成功指标
- 识别快速赢利点——需要最小投资但能解决高频投诉的改进
- 创建前后测量计划，在下次调查中验证每个举措的影响
匿名反馈循环与沟通：COCO促进关于调查结果的透明沟通：
- 生成适合与全体工程团队分享的匿名调查结果摘要
- 创建"你说了，我们做了"报告，将过去的调查反馈与已实施的具体改进相连接
- 起草沟通文案，解释哪些问题正在被优先处理、哪些被推后，以及原因
- 识别需要额外背景收集的领域，并生成后续调查问题
- 追踪开发者对反馈流程本身的信任，标记参与度或参与意愿下降的情况

量化结果与受益角色

可量化成果

调查分析时间：从调查关闭到可执行洞察的时间从4周缩短至3天（比人工快3倍）
开发者满意度评分：通过有针对性的干预，整体DX满意度在3次调查周期内从5.8/10提升至8.2/10
摩擦点识别数：每次调查发现的独特问题从8个（人工）增加到24个（AI辅助），更早发现问题
改进举措ROI：在COCO分析指导下的DX投资每投入1美元，开发者时间节省比未指导时高出2.4倍
调查参与率：工程师在DX调查中的参与率从54%提升至87%（开发者看到反馈推动了真实变化）

受益角色

技术负责人：了解团队的具体摩擦点，以数据支撑的理由优先考虑DX投资
工程经理：追踪开发者满意度趋势，并向领导层展示开发者体验投资的ROI
平台和开发者体验团队：收到工具和基础设施改进的优先级、量化需求
一线贡献者：看到自己的反馈被转化为实质性改进，增强对反馈流程的信任

💡 实用提示词

提示词1：DX调查结果分析

请分析我们开发者体验调查的结果，并生成可执行的洞察报告。

调查数据：
- 定量回复：[粘贴或描述每个问题的李克特量表结果]
- 自由文本回复：[粘贴所有开放式回复，已匿名化]
- 回复率：[X人（共Y人）]
- 调查周期：[日期]

前次调查结果（用于对比）：[粘贴上次调查的摘要或关键指标]

请分析：
1. 主题提取：按频率和情感强度排序的自由文本回复中前10个主题
2. 定量摘要：每个DX维度的平均分数及与上次调查的趋势
3. 相关性：哪些自由文本主题解释了最低的定量分数？
4. 细分：按团队、资历或任期的分数是否有显著差异？差距在哪里？
5. 亮点：哪些方面运转良好？哪些领域收到了积极反馈？
6. 关键问题：按估算生产力影响排序的前3个摩擦点

输出：执行摘要（1页）+ 详细分析报告 + 附关键发现的演示就绪幻灯片。

提示词2：摩擦点影响量化

请量化以下开发者体验摩擦点的生产力影响。

调查中识别的摩擦点：
1. [摩擦点描述附代表性引用]
2. [摩擦点描述附代表性引用]
3. [摩擦点描述附代表性引用]
4. [摩擦点描述附代表性引用]
5. [摩擦点描述附代表性引用]

团队背景：
- 团队规模：[X名工程师]
- 工程师平均全薪成本：每年$[X]
- 每周平均工作小时数：[X]
- 当前部署频率：[X次/天 或 X次/周]

对每个摩擦点，请提供：
1. 每位工程师每周估算的时间浪费（基于调查数据和合理假设）
2. 每月总团队生产力成本（小时和金额）
3. 留存风险：此问题是否被列为流失因素？严重程度如何？
4. 受影响面：团队中有多少比例受到影响？
5. 修复的估算成本（工作量规模：S/M/L/XL，附简要范围描述）
6. ROI计算：修复投资vs.每年恢复的生产力

输出：影响排序表 + ROI分析 + 推荐的投资优先级。

提示词3：DX改进路线图

请基于调查发现生成季度DX改进路线图。

按影响优先排序的主要摩擦点：
[列出前8-10个问题附来自之前分析的影响评分]

DX改进的可用产能：
- 专属团队：[X名工程师，Y%的时间]
- 预算：工具/基础设施$[X]
- 时间线：[当前季度]

约束条件：
- 必做事项：[任何已承诺的不可谈判改进]
- 不可变更：[本季度不可更动的系统或流程]
- 依赖：[依赖其他团队工作的任何改进]

请生成：
1. 包含3-5个举措的季度路线图，每个举措包含：范围、工作量、对DX分数的预期影响和成功指标
2. 快速赢利点：2周内可交付的解决调查反馈的改进
3. 时间线：附里程碑和检查点的逐月计划
4. 测量计划：如何验证每项改进的影响（要追踪的指标，下次调查需增加的问题）
5. 沟通计划：如何以及何时与工程团队分享进展

输出：路线图文档 + 每项改进的举措简报 + 测量仪表板模板。

20. AI工程指标仪表盘设计师

将工程数据转化为清晰洞察——构建驱动决策的仪表盘，而非噪音。

痛点与解决方案

痛点：工程指标仪表盘设计师

工程团队深陷指标洪流，却饥渴于洞察。现代软件系统生成大量遥测数据——构建时间、测试通过率、部署频率、事故次数、错误率、代码变动量——但大多数团队要么完全忽视这些数据，要么拼凑出临时仪表盘，最终演变成无人维护的噪音制造机。技术负责人每周花费大量时间从不同工具（JIRA、GitHub、Datadog、PagerDuty、Jenkins）拉取数字，将其整合进领导层汇报的幻灯片，而真正在做工作的工程师却无法实时看到自身系统和流程的健康状况。

问题不在于缺乏数据，而在于缺乏连贯、有意的度量哲学。没有明确定义的工程目标，任何指标都可以被测量；没有清楚知道仪表盘应该回答什么问题，任何可视化都可以被构建。团队往往度量容易收集的东西，而非有意义可改进的东西。这导致仪表盘追踪虚荣指标（代码行数、工单数量），却忽视真正能预测结果的指标（周期时间、部署稳定性、值班负担）。技术负责人知道团队陷入困境，却无法精准定位原因，因为他们的指标讲不出正确的故事。

后果会随时间复合叠加。在缺乏可靠数据的情况下做出资源分配和工具投资决策的工程经理，实际上是在猜测。没有可靠数据支撑的工程产能和速度相关对话，在产品和业务利益相关者面前缺乏公信力。不度量自身绩效的团队无法系统性地改进——每次冲刺回顾都变成轶事性的讨论。行业数据一致表明，高绩效工程团队的显著特征是其度量纪律：测量正确的事情、追踪随时间的趋势，并基于证据做出决策。

COCO如何解决

度量哲学设计：COCO将指标与工程目标对齐：
- 促进结构化的目标-问题-指标练习，识别团队需要回答的问题
- 将DORA指标（部署频率、交付前置时间、变更失败率、MTTR）映射到团队的具体背景
- 区分领先指标（流程健康度）和滞后指标（结果指标），形成均衡视图
- 识别哪些指标能推动行为改变，哪些纯粹是诊断性的
- 生成定义了度量内容、原因和频率的指标策略文档
仪表盘架构规划：COCO设计连贯的仪表盘结构：
- 推荐仪表盘层级：高管摘要→团队健康度→单服务深度分析
- 为每个仪表盘视图定义受众和所支持的决策
- 为每个指标选择合适的可视化类型（趋势线、热力图、SLO燃耗率图表）
- 识别哪些指标属于同一视图以便进行相关性分析
- 生成带有面板布局、刷新频率和数据源规格的仪表盘线框图
数据源集成映射：COCO连接分散的工具链：
- 审计团队现有工具并识别各工具能提供的指标
- 绘制将指标从源系统引入统一仪表盘所需的数据管道
- 识别需要添加数据收集基础设施的指标缺口
- 在现有技术栈下，推荐实现每个所需指标的最低摩擦方案
- 为BI工具（Grafana、Datadog、Looker）或自定义仪表盘生成集成规格
告警与阈值配置顾问：COCO改善信噪比：
- 审查现有告警配置中导致值班疲劳的过度告警模式
- 根据历史基准数据和SLO要求推荐阈值
- 设计与不同指标偏差紧迫程度匹配的分级告警严重级别
- 识别应触发仪表盘审查而非立即告警的指标
- 为每个配置的告警生成告警处置手册草稿，以缩短事故响应时间
趋势分析与报告：COCO自动化洞察提取：
- 分析随时间变化的指标趋势，在危机爆发前识别渐进式劣化
- 生成总结关键趋势的每周和每月工程健康报告
- 高亮异常：与历史规律显著偏离的指标及其原因
- 将团队绩效与DORA基准和内部历史基准进行对比
- 为季度业务回顾制作面向高管的工程健康摘要
工程OKR进展追踪：COCO将指标与目标相连：
- 将工程OKR映射到能够提供进展证据的具体可量化指标
- 从实时数据源更新生成OKR进展仪表盘
- 根据当前指标趋势识别哪些OKR处于正轨、有风险或偏离目标
- 当OKR目标被证明范围设定不佳时，提供季度中期指标重新校准建议
- 在季度末生成基于证据分析成果驱动因素的OKR复盘报告

效果与受益者

可量化成果

为领导层审查整理工程指标所花时间：从每周3-4小时降至自动化仪表盘的30分钟以下
工程OKR追踪准确性：使用结构化指标仪表盘的团队89%的OKR有定量证据，而临时追踪时仅31%
告警疲劳减少：经过适当调整的告警配置平均减少**64%**的不可操作告警
检测渐进式系统健康劣化的时间：通过趋势分析，从响应式事故发现提前到提前2-3周主动检测
领导层对工程报告的信心：有结构化指标支撑时，工程经理对产能规划决策的信心提升3.2倍

谁会受益

技术负责人：将时间花在基于工程洞察的行动上，而非整理洞察本身，并携带可信的数据支撑叙述走进领导层对话。
工程经理：基于证据而非轶事做出人力、工具和流程投资决策，具有清晰的ROI衡量。
平台和开发者体验团队：收到具体、量化的基础设施改进需求，而非模糊的开发者体验抱怨。
CTO和工程副总裁：获取可靠、一致的工程健康指标，用于跨团队比较和组合级别决策。

实用提示词

提示词 1：工程指标策略设计

请帮我为团队设计全面的工程指标策略。

团队背景：
- 团队规模：[N名工程师]
- 团队类型：[产品团队 / 平台团队 / 基础设施 / 全栈 / 移动端]
- 本季度主要工程目标：[如提升部署可靠性、减少前置时间、降低值班负担]
- 当前追踪的指标：[列出任何当前系统性追踪的指标，或"无"]
- 当前工具：[CI/CD: __, 监控: __, 问题追踪: __, 源代码管理: __]

我们试图解决的问题：
1. [如我们不知道为什么上季度部署频率下降了]
2. [如我们无法向产品管理层可信地解释我们的速度]
3. [如我们告警太多，值班已精疲力竭]

请：
1. 应用目标-问题-指标框架，将我们的目标转化为具体可量化指标
2. 将DORA四项关键指标映射到我们的背景，推荐首先优先哪些
3. 为均衡的工程健康记分卡识别8-10项核心指标
4. 对每项指标：数据源、收集方法、刷新频率和目标阈值
5. 推荐分阶段实施计划——根据现有工具链先仪器化什么

提示词 2：仪表盘设计与布局规划

请为我们的工程团队周度健康回顾设计仪表盘。

受众：[技术负责人+工程经理 / 完整工程团队 / 高管领导层]
此仪表盘应回答的主要问题：
1. [如我们的系统周复一周是否变得更可靠或更不可靠？]
2. [如我们比上个月交付更快还是更慢？]
3. [如哪些服务产生了最多的值班负担？]

可用数据源：
- GitHub/GitLab：[可用指标——如PR周期时间、合并频率]
- CI/CD系统：[可用指标——如构建成功率、流水线时长]
- 监控平台：[可用指标——如错误率、延迟、正常运行时间]
- 事故管理：[可用指标——如事故次数、MTTR、严重级别分布]
- 问题追踪器：[可用指标——如周期时间、冲刺完成率]

我们使用的仪表盘工具：[Grafana / Datadog / Looker / 自定义 / 尚未决定]

请：
1. 设计单屏工程健康仪表盘的面板布局
2. 为每个面板指定可视化类型（折线图、仪表、表格、热力图）并说明选择理由
3. 识别3-5项最重要的指标，显示在一眼可见的摘要行
4. 根据指标在早期识别问题中的作用，为3项最关键指标推荐告警阈值
5. 生成可交给工程师实施的仪表盘规格文档

提示词 3：工程指标季度回顾

请分析过去一个季度的工程指标，为我们的QBR生成洞察。

本季度指标数据：
[粘贴或描述关键指标，附Q1和Q2对比数值]

背景：
- 本季度重大变化：[新服务发布、团队变动、事故、流程变更等]
- 本季度工程OKR：[列出OKR标题及是否达成]
- 事故：[次数和严重级别分布]

请：
1. 识别3个最显著的正向趋势及其可能驱动因素
2. 识别3个最令人担忧的趋势或劣化领域
3. 对每个令人担忧的趋势，提出根本原因假设和需要调查的诊断性问题
4. 为面向QBR受众的本季度工程健康生成高管摘要（200词）
5. 根据观察到的趋势，生成下季度3项有数据支撑的工程投资建议

21. AI团队知识图谱构建师

揭示团队知识所在，绘制谁知晓什么，阻止知识随人才流失。

痛点与解决方案

痛点：团队知识图谱构建师

工程知识是分散的、不可见的，并持续面临流失风险。当一位工程师离职、退休或转入其他团队时，他们带走了多年积累的隐性理解：某些架构决策为何如此制定、特定服务在异常条件下的行为规律、某个第三方集成只在高负载时才会出现的怪异之处，以及如何处理特定的供应商关系。这些存在于人脑中而非文档里的隐性知识，是大多数工程团队真正运转的操作系统，而它的消失几乎毫无预警。

技术负责人陷入两种失败模式之间。一端：试图记录一切，生成在几周内就会过时的庞大知识库，需要英雄式的维护努力，并被处于截止日期压力下的工程师忽视。另一端：什么都不记录，完全依赖部落知识运作，直到下一次关键人才离职触发危机。两个极端都不可持续。团队真正需要的是一个轻量级、持续维护的知识图谱——绘制谁知道什么、关键知识存于何处，以及哪些知识依赖关系造成了单点故障风险。

在快速增长或变动的团队中，知识问题会进一步复合。新工程师花费数月时间通过提问、犯错和非正式对话慢慢绘制隐性知识地图。入职效率低下，不是因为文档缺失，而是因为工程师无法按需找到相关知识。团队重组导致知识在组织边界间碎片化。知识流失的成本难以直接衡量，但会体现为更长的事故解决时间、重复犯错、更慢的入职速度，以及对特定个人的依赖——当这些个人不在时会阻塞工作。

COCO如何解决

知识领域映射：COCO构建团队专业知识的结构化图景：
- 促进结构化访谈，揭示团队运营的核心知识领域
- 区分操作知识（如何运行系统）和设计知识（为何如此构建系统）
- 将知识映射到目前存于的具体人员、文档和沟通渠道
- 识别仅存在于一个人脑中、没有备用持有者的知识
- 生成按系统、流程和组织背景组织的知识领域清单
知识风险评估：COCO识别危险的单点故障：
- 按关键性（知识丢失会造成什么损失？）和集中度（有多少人持有？）对每个知识领域进行评分
- 识别最高风险的知识缺口——对仅一人持有的关键知识
- 模拟特定离职场景的影响："如果X工程师离职，我们会失去什么？"
- 随团队变化追踪知识风险并监测风险轨迹
- 生成按优先级排列的知识风险报告，指明首先需要捕获或分散哪些知识
知识捕获工作流：COCO高效提取知识：
- 为从领域专家处捕获系统特定知识生成结构化访谈指南
- 将会议记录、事故事后分析和Slack讨论转化为结构化知识条目
- 从对话和拉取请求讨论中起草"架构决策记录"（ADR）
- 从非正式知识来源生成处置手册、FAQ文档和故障排查指南
- 识别保护最高风险知识丢失所需的最小文档量
知识转移项目设计：COCO将知识分散至整个团队：
- 设计影子值班轮换、配对计划和知识转移会议
- 为每个知识转移配对生成结构化学习目标
- 创建确认转移已发生的知识测验和验证练习
- 在团队成员带宽约束下，就分散知识的最优顺序提供建议
- 追踪知识转移进展，识别尚未产生确认转移的会议
入职知识图谱集成：COCO加速新工程师的生产力：
- 根据角色和背景为每位新工程师生成个性化学习路径
- 将新工程师与与其初始工作任务相关的具体知识持有者连接
- 创建带检查点和验证练习的30/60/90天知识获取计划
- 识别新工程师最常遇到的知识缺口并在入职材料中主动解决
- 跨入职批次追踪入职速度，衡量知识转移是否随时间改善
知识新鲜度监测器：COCO保持知识图谱的时效性：
- 根据基础系统的变更速率为已记录的知识分配过期日期
- 当知识持有者负责的文档领域到期需要审查时发出提醒
- 检测知识衰减信号：引用了已废弃系统、过时配置或前团队成员的文档
- 将知识更新与发布事件、事故事后分析和架构变更相连
- 为每个系统领域基于文档时效性和覆盖度生成"知识健康评分"

效果与受益者

可量化成果

涉及不熟悉系统组件的事故平均解决时间：知识图谱保持时效性和可搜索时减少47%
新工程师首次独立贡献的时间：从8-12周缩短至4-6周，通过结构化知识图谱入职
已识别并缓解的知识单点故障：在系统化映射后一个季度内，团队消除68%的关键单人知识依赖
文档维护负担：当知识捕获由事件（事故、发布、离职）触发而非计划性文档冲刺时，减少55%
在不咨询作者的情况下执行关键处置手册的时间：使用知识图谱工作流审查和充实处置手册后，减少71%

谁会受益

技术负责人：在离职或角色变更触发危机之前，获得对团队知识分布的可见性，主动解决单点故障。
工程经理：当能看到知识全景并识别投资不足领域时，做出更好的人员配置、轮岗和成长决策。
新工程师：有结构化指引而非纯粹的试错，能更快速地导航复杂代码库和组织的隐性知识地图。
网站可靠性和平台团队：通过将知识捕获与揭示缺口的事故和事件相连，维护更高质量的处置手册和运营文档。

实用提示词

提示词 1：团队知识风险评估

请帮我评估团队的知识风险并识别单点故障。

团队构成：
[对每位工程师：姓名/别名、任期、主要专业领域、负责的系统、即将发生的变化（离职、角色变更、育儿假等）]

团队负责的系统和领域：
[列出关键系统、服务、流程和集成点，附简要描述]

近期与知识缺口相关的事故或险情：
[描述任何特定人员不在时导致延迟或问题的事故]

未来6个月计划中的人员变化：
[列出任何确认的离职、角色变更、团队调动或延长假期]

请：
1. 将每个关键知识领域映射到持有它的团队成员数量
2. 识别前5个最高风险的知识集中（关键领域+1-2个持有者）
3. 对每个高风险领域：估算如果知识持有者明天离职的影响范围
4. 综合关键性、集中度和离职概率，对知识转移目标进行优先级排序
5. 生成带具体行动和负责人的90天知识风险缓解计划

提示词 2：知识捕获访谈指南

请为专家访谈生成结构化知识捕获指南。

被访谈工程师：[角色和任期——不需姓名]
需要捕获的领域：[具体系统、服务或流程]
捕获原因：[即将离职 / 角色变更 / 风险缓解 / 入职准备]
可用访谈时长：[总计X小时，分Y次]

关于此领域已有的文档：[描述或"无"]
已知的未知（已识别的缺口）：[如已知请列出具体缺口]

请生成：
1. 包含15-20个问题的结构化访谈指南，按以下组织：系统架构→运营程序→失败模式→未记录的决策
2. 对每个问题：应产生的文档制品（ADR / 处置手册 / FAQ / 图表描述）
3. 5个最重要领域的追问探查问题
4. 一个并行的影子练习，专家在执行特定运营任务的同时讲述决策
5. 一个采访后验证清单，在专家不再可用之前确认知识被准确捕获

提示词 3：新工程师知识入职计划

请为即将加入我团队的新工程师创建个性化知识入职计划。

新工程师背景：
- 角色：[高级SWE / 中级SWE / SRE / 首席工程师]
- 之前的经验：[相关背景——编程语言、领域、公司规模]
- 首个任务：[描述初始项目或将加入的团队]

团队知识全景：
[描述团队的主要系统、技术栈和知识领域——或粘贴相关团队文档章节]

入职日期：[日期]
爬坡期预期：首次独立PR截止[日期]，完全具备生产力截止[日期]

可参与配对的关键知识持有者：
[列出团队成员及其专业知识领域]

请：
1. 生成带每周学习目标的30/60/90天知识获取计划
2. 识别针对此特定角色和任务在前30天最需要获取的10个关键知识领域
3. 设计将新工程师与特定知识持有者按领域连接的结构化配对计划
4. 为30天检查点创建知识检验测验，验证关键概念的获取情况
5. 列出对此类系统新工程师最常见的5个"坑"或非显而易见的知识缺口，附预防性说明

22. AI跨团队依赖关系管理师

消除协调税——让跨团队依赖变得可见、可预测和不受阻。

痛点与解决方案

痛点：跨团队依赖关系管理师

跨团队依赖是工程生产力上的隐性税收。当一个功能需要平台团队的API变更、DevOps的基础设施工作和数据工程团队的数据架构更新——而这三个团队处于不同的路线图、不同的冲刺节奏和不同的优先级体系中——协调团队会在不产生任何直接工程输出的对齐上消耗巨大精力。技术负责人变成了全职的依赖追踪者：参加跨团队同步会、发送状态查询的Slack消息、更新项目追踪器、将阻塞点上报给工程经理，后者上报给产品经理，后者上报给总监——一个升级级联，解决一个简单的依赖可能就需要数周时间。

更深层的问题是跨团队依赖通常发现得太晚。一个团队设计功能、创建工单、开始冲刺规划，然后才发现另一个团队的API不支持所需操作，或者下游服务有可靠性问题使计划方案不可行。到这个时候，团队已经承诺了交付时间表，产品已经向利益相关者传递了期望，延迟发现的代价因寻找变通方案而非正确方案的压力而放大。将依赖识别系统化地纳入规划过程而非在执行时发现，将防止大多数此类延迟。

从规模上看，跨团队依赖管理不善是功能延迟、冲刺溢出和工程士气问题的主要驱动因素之一。工程师体验到的是反复的上下文切换、会议占据编码时间，以及被自身无法控制的因素阻塞的挫败感。技术负责人体验到的是持续的升级路径和无法向产品利益相关者做出可靠承诺。解决方案既需要更好的工具，也需要更好的流程——一种在依赖成为阻塞点之前，系统性地识别、沟通和解决依赖的方法。

COCO如何解决

依赖发现与映射：COCO早期揭示隐藏的依赖：
- 审查功能简报、设计文档和JIRA史诗，识别跨团队API、数据和基础设施依赖
- 构建依赖图，显示哪些团队依赖哪些其他团队以及依赖什么
- 区分硬依赖（没有解决依赖就无法开始工作）和软依赖（优先但可变通）
- 识别两个团队都在等待对方的双向依赖
- 在每个规划周期开始、冲刺承诺之前生成依赖清单
依赖沟通模板：COCO标准化跨团队协调：
- 生成清晰传达需要什么、何时需要以及为什么的结构化依赖请求文档
- 起草按紧迫程度校准、对不同受众保持适当语气的升级消息
- 创建用于每周跨团队同步的依赖状态更新模板
- 生成指定A团队承诺向B团队何时交付什么的依赖"契约"文档
- 起草给依赖团队充足准备时间的API变更通知
阻塞解决顾问：COCO加速解除阻塞：
- 分析被阻塞的依赖并生成结构化选项分析（等待 / 变通 / 缩减范围 / 升级）
- 识别允许并行开发的技术变通方案（存根、功能标志、契约测试）
- 估算每个变通方案的代价（时间、技术债务）以支持权衡决策
- 根据紧迫性、影响范围和组织背景推荐适当的升级路径
- 起草包含足够背景的升级文档，使经理无需冗长说明即可采取行动
跨团队路线图对齐：COCO协调跨团队规划：
- 比较依赖团队的路线图，在导致延迟之前识别时间节点不匹配
- 识别即将需要重大跨团队协调的功能，并标记为需要提前接触
- 生成季度依赖风险报告，识别最高风险的团队间时间节点差距
- 就跨团队工作的顺序安排提供建议，以最小化协调开销
- 生成跨多个团队路线图显示依赖和关键路径的共享时间线视图
SLA与承诺追踪：COCO对跨团队承诺负责：
- 追踪跨团队做出的承诺，附负责人、截止日期和交付标准
- 在承诺负责人临近截止日期时发送自动提醒
- 在错过的承诺成为关键路径阻塞点之前，按预定规则进行升级
- 为每个团队生成承诺可靠性记分卡，支持关于合作质量的客观对话
- 记录用于复盘和规划校准的承诺历史
依赖模式分析：COCO识别结构性协调问题：
- 分析历史依赖数据，识别长期充当瓶颈的团队
- 映射哪些耦合模式最常重复出现，作为潜在架构或团队边界变更的信号
- 识别反复出现的依赖是否表明服务所有权错位或团队拓扑问题
- 比较跨季度的依赖密度，追踪协调开销是否在改善或恶化
- 生成通过更好服务边界减少结构性依赖的架构和组织建议

效果与受益者

可量化成果

由跨团队依赖阻塞导致的冲刺溢出：使用结构化依赖管理的团队每个冲刺从**34%降至11%**的故事溢出
从依赖识别到首次跨团队对齐会议的时间：通过标准化依赖请求模板，从8-12天减少至1-2天
每季度错过的跨团队承诺：有自动提醒和升级规则的承诺追踪使错失率降低58%
涉及3个以上跨团队依赖功能的前置时间：通过规划期间而非执行期间的早期依赖发现，缩短23%
工程经理花在跨团队升级上的时间：当技术负责人有结构化工具在其层级解决依赖时，减少40%

谁会受益

技术负责人：将时间花在工程决策上而非协调开销上，并向产品利益相关者提供有可见依赖状态支撑的可靠交付承诺。
工程经理：减少作为升级中间人的时间，获得对其负责团队组合中跨团队依赖健康状况的可见性。
产品经理：从跨团队依赖获得更早、更准确的交付风险信号，从而主动管理利益相关者期望。
平台和共享服务团队：通过清晰的优先级信号系统管理入站依赖请求，而非被动应对Slack中最响亮的声音。

实用提示词

提示词 1：功能依赖发现与风险评估

请帮我识别和评估即将到来功能的所有跨团队依赖。

功能描述：
- 功能名称：[名称]
- 面向用户的目标：[用户获得什么？]
- 计划交付：[冲刺/日期]
- 负责团队：[我的团队名称和主要职责]

技术范围（我们的团队需要构建的内容）：
[描述我们的团队负责的组件、服务和变更]

我们已知的交互团队：
[列出任何已识别为依赖的团队，附我们需要什么的简要描述]

请：
1. 审查技术范围并识别我可能遗漏的额外跨团队依赖
2. 对每个依赖（已知和新识别的）：分类为硬依赖还是软依赖，估算依赖必须在我们交付日期前何时解决
3. 综合关键性和延迟可能性，识别3个最高风险的依赖
4. 为每个硬依赖生成依赖请求文档，包括：我们需要什么、验收标准、所需日期以及延迟的影响
5. 推荐首次跨团队对齐会议的议程

提示词 2：阻塞解决分析

我的团队有一个跨团队依赖正在阻塞工作。请帮我分析选项并确定最佳前进路径。

被阻塞的工作：
- 我们试图构建的内容：[描述]
- 我们需要另一个团队提供的：[具体API、数据、基础设施或审批]
- 我们需要的时间：[日期]
- 当前状态：[描述阻塞——尚未开始 / 进行中但延迟 / 已降低优先级 / 不明确]

阻塞的影响：
- 被阻塞的工程师：[N人]
- 面临风险的交付日期：[日期]
- 下游依赖（等待我们的其他团队）：[如有请描述]

另一个团队的背景：
- 该团队当前冲刺优先级：[如已知请描述]
- 与该团队负责人的关系：[良好 / 中性 / 紧张]
- 他们延迟的原因（如已知）：[引用或转述]

请：
1. 生成结构化选项分析：等待 / 变通 / 缩减范围 / 升级——附每个选项的估算时间代价和权衡
2. 对最有前景的变通方案：从技术上描述它，并估算发布后的技术债务清理工作量
3. 起草给我的工程经理的升级消息，包含采取行动所需的背景，根据紧迫程度校准
4. 建议我应该对另一个团队的技术负责人说什么，以推动进展同时不损害关系
5. 根据背景和时间节点推荐应做的决策

提示词 3：季度跨团队依赖复盘

请帮我分析上季度的跨团队依赖模式，以改进我们的规划过程。

上季度的依赖数据：
[对每个重大跨团队依赖：涉及团队、依赖性质、发现日期、解决日期、结果（按时解决 / 延迟 / 变通解决 / 缩减范围）、对交付的影响]

有跨团队依赖的故事总数：[共N个故事中有N个]
因跨团队依赖延迟的故事：[N个]
需要跨团队升级的次数：[N次]

请：
1. 识别前3个最有问题的依赖模式——哪些团队配对、依赖类型或流程失败导致了最多延迟
2. 计算本季度跨团队依赖开销消耗的冲刺产能总量
3. 识别哪些依赖可以更早被发现，以及什么流程变更能更早揭示它们
4. 为下季度推荐3项减少依赖相关延迟的具体流程变更
5. 为我们的季度工程复盘文档起草依赖健康章节（300词），描述发生了什么以及我们在改变什么

23. AI 工程师入职加速器

为新工程师生成个性化的入职学习路径、代码库导览和知识检查点——将生产贡献时间从数月缩短至数周。

痛点与 COCO 解决方案

痛点：工程师入职时间长，生产力损失巨大

将新工程师从入职状态提升到完全生产力通常需要 3-6 个月，更复杂的代码库甚至更长。在此期间，公司付出全薪却只获得部分产出，而新工程师本人在面对陌生系统时也承受着相当大的挫败感。团队还承担着大量隐性成本——经验丰富的工程师需要花费 20-30% 的时间来辅导新成员，拖慢了他们自己的工作进度。

大多数入职资源要么过于笼统（如通用的"设置开发环境"文档），要么过于陈旧（当代码库演进时没有人有时间更新文档），要么依赖于通过非正式渠道传递的部落知识。新工程师经常在弄清楚该问什么之前不得不提问，或者因为不知道存在相关资源而重复工作。

COCO 如何解决

个性化学习路径生成：COCO 根据工程师的背景和被分配的工作领域，创建定制化的入职学习顺序。
代码库导览：COCO 解释架构决策、模式和系统不同部分之间的关系，帮助工程师建立心智模型。
知识检查点创建：COCO 生成测验和实践练习，验证对关键概念的理解。
常见问题预测：COCO 识别新工程师在特定代码库中通常会遇到困惑的地方，提前提供解释。
渐进式任务序列：COCO 建议按复杂度递增的初始工作，让工程师能够贡献价值同时持续学习。

成果与受益者

达到生产力的时间：结构化的 AI 辅助入职将完全生产力时间缩短 35-50%
导师时间减少：自助式入职材料将高级工程师所需的指导时间减少 40-60%
新工程师满意度：清晰的结构和期望显著降低入职期挫败感，提升 30 天留任率
首次 PR 质量：具备更好背景的工程师提交的首个拉取请求需要的修订次数减少 30-40%
知识传承：入职材料捕获了部落知识，降低了当有经验的工程师离职时的风险

实用提示词

提示词 1：新工程师入职学习路径

为以下新工程师创建个性化的入职学习路径。

工程师背景：
- 经验年限：[X 年]
- 主要技术栈：[描述他们熟悉的语言/框架]
- 专业领域：[前端/后端/全栈/移动端/平台/数据]
- 之前的工作类型：[初创公司/大公司/承包商/应届毕业生]

团队和工作背景：
- 团队职能：[描述团队负责什么]
- 主要技术栈：[列出语言、框架、工具]
- 代码库规模和复杂度：[描述——代码行数、微服务数量、年龄]
- 分配的初始工作领域：[描述前几个月将关注什么]

入职时间表：[X 周内期望达到生产力]

创建学习路径，包含：
1. 按周分解的入职阶段，附带每个阶段的具体学习目标
2. 优先理解的代码库区域（按相关性排序）
3. 推荐的文档和资源（通用资源 + 内部特定类型）
4. 验证理解的检查点里程碑
5. 渐进式首次任务建议（低风险 → 中等复杂度 → 完全贡献）

提示词 2：代码库架构导览

为以下代码库创建工程师入职架构导览。

系统名称：[描述]
系统功能：[简述系统做什么]

架构概述：
[描述主要组件、服务或模块——可以是粗略描述]

关键技术决策：
[描述任何影响系统工作方式的重要架构决策——如选择特定数据库、特定模式、关键性能权衡]

常见新工程师困惑点：
[描述新人通常在哪里感到困惑或犯错]

创建入职导览，内容包含：
1. 系统概述（新工程师应该构建的心智模型）
2. 主要组件及其关系图（文本格式）
3. 关键架构决策及其背后原因（为什么是这样，而不是其他方式）
4. 理解代码库的推荐学习顺序（从哪里开始阅读代码）
5. 常见陷阱和如何避免（哪些假设是错误的）
6. 新工程师需要熟悉的关键工具和流程

提示词 3：入职知识评估生成器

为以下工程师入职路径创建知识检查点评估。

入职阶段：[第几周 / 哪个学习阶段]
已完成的内容：[描述工程师应该已经涵盖的内容]
关键概念：[列出应该理解的 5-7 个核心概念或系统]

创建知识评估，包含：
1. 5 道概念理解检查题（多选或简答，非记忆性）
2. 3 个实践场景问题（"你会怎么做……"——测试应用，而非回忆）
3. 1 个小型动手练习（30-60 分钟内可完成）
4. 自我评估检查清单（"我能否……"形式的能力声明）
5. 如果工程师对某些领域感到不确定的推荐资源

评估应检验理解，而非仅仅回忆信息。问题应切实可行，贴近工程师将完成的实际工作。

24. AI 架构权衡分析引擎

结构化评估架构决策选项，生成权衡矩阵，记录决策理由——加快技术决策并减少后期的"为什么我们这样做"的困惑。

痛点与 COCO 解决方案

痛点：架构决策往往匆忙作出，记录却很简略

架构决策对系统长期可维护性、性能和扩展性有深远影响——有时这种影响会持续数年甚至数十年。然而，很多重要的架构决策是在时间压力下仓促做出的，权衡分析只存在于高级工程师的脑子里，而不是写下来供团队其他成员理解和将来参考的文档。

这种模式产生双重危害。首先，没有结构化分析，决策会受到倡导者偏见、沉没成本以及在会议室里最大声的人的影响。其次，没有决策文档，团队成员无法理解约束条件，后来的工程师会质疑或重复已经解决的讨论，系统知识随着关键贡献者离职而流失。

COCO 如何解决

替代方案结构化：COCO 帮助将架构候选方案构建为可比较的选项，确保苹果对苹果的评估。
标准识别：COCO 根据项目上下文建议相关的评估维度（性能、可扩展性、团队熟悉度、维护负担等）。
权衡矩阵生成：COCO 为每个方案对每个标准进行系统化评分，高亮关键差异。
假设文档化：COCO 识别并记录支撑分析的假设，以便在上下文变化时重新评估。
架构决策记录（ADR）起草：COCO 将分析转化为标准的 ADR 格式，以供将来参考。

成果与受益者

决策时间：结构化权衡分析将重大架构决策时间从数天缩短至 数小时
决策质量：系统化评估减少基于不完整权衡的错误决策，减少幅度约 30-40%
知识留存：记录在案的 ADR 使新工程师能够理解约束条件，减少 60-70% 的重复讨论
团队协调：明确的权衡矩阵减少架构辩论中的分歧和往返沟通
技术债务减少：更好记录的架构决策使未来重构更有针对性，减少意外破坏现有限制

实用提示词

提示词 1：架构权衡矩阵生成

为以下架构决策生成权衡矩阵。

决策背景：[描述需要做出的架构决策]
业务驱动因素：[描述相关的业务需求或约束]
技术约束：[描述现有系统约束、团队专业知识、时间表]

候选方案：
选项 A：[描述第一个架构选项]
选项 B：[描述第二个架构选项]
选项 C（如有）：[描述第三个选项]

优先级：[按重要性列出对这个决策最重要的因素——如性能、成本、可维护性、开发速度]

生成权衡矩阵：
1. 适用于此决策的评估标准（根据你的优先级定制）
2. 每个方案对每个标准的评分（高/中/低或 1-5），附带理由
3. 关键差异化因素的高亮（什么是真正决定性的）
4. 每个方案最容易忽略的风险
5. 基于分析的建议，附带关键假设
6. 在哪些条件下建议会改变

提示词 2：架构决策记录（ADR）起草

为以下架构决策起草一份架构决策记录（ADR）。

决策标题：[简短的描述性标题]
做出决策的日期：[日期]
状态：[已提议/已接受/已弃用/已取代]

上下文：
[描述是什么情境促成了这个决策——业务背景、技术驱动因素、时间表约束]

已考虑的选项：
[列出评估过的备选方案——包括"不变"的选项]

做出的决策：
[说明最终选择了什么]

做出决定的理由：
[描述为什么选择这个选项——关键的权衡考量]

结果：
[描述预期的正向和负向结果——此决策为未来工作创造了什么约束]

基于以上信息起草一份完整的 ADR，内容清晰完整，六个月后进行代码审查的工程师能够理解当时的上下文。

提示词 3：技术债务优先级分析

分析以下技术债务积压并为解决方案创建优先级框架。

系统：[描述]
当前技术债务：
[列出已知的技术债务项——可以是粗略描述]

业务背景：
- 未来 6 个月的开发优先级：[描述计划的新功能或工作]
- 当前系统痛点：[描述正在拖慢开发或引发问题的因素]
- 团队规模和能力：[描述团队]

分析并生成：
1. 每个债务项的分类（架构/代码质量/测试覆盖/文档/基础设施）
2. 每个项目的影响评估（业务风险、开发速度影响、维护负担）
3. 相对优先级评分，附带理由（考虑影响 vs. 修复成本）
4. 推荐的解决顺序，说明依赖关系
5. 与计划的开发工作一起处理技术债务的建议方法（绞杀者模式、专门冲刺、顺带修复）
6. 技术债务不得不积累的合理原因（如，某些债务的存在是合理的商业决策）

25. AI 代码审查文化与标准建设者

帮助团队建立一致的代码审查标准、审查指南和反馈框架——将代码审查从负担转变为有效的知识传递机制。

痛点与 COCO 解决方案

痛点：代码审查不一致，且常常既费时又难以提升代码质量

代码审查是软件开发中最有价值的实践之一，但在许多团队中执行得很差。审查者提出不一致的反馈——有人关注格式，有人关注架构，有人关注测试，有人只是快速点"批准"以解除阻塞。没有共享标准，代码审查变成了品味和偏好的争论，而非有原则的质量把关。

审查员也常常不知道如何措辞反馈——太苛刻会引起防御反应，太客气又无法清楚传达严重问题。对于刚接触大型代码库的工程师，他们往往不确定该重点关注什么。结果是代码审查要么耗时过长（审查者深入每一个细节），要么流于形式（只是一个必须完成的手续）。

COCO 如何解决

代码审查标准制定：COCO 帮助定义明确的、可共享的代码审查标准，适应团队的技术栈和价值观。
审查清单生成：COCO 为不同类型的变更（功能开发/重构/依赖更新/数据库迁移）创建定制化的审查清单。
反馈措辞框架：COCO 提供措辞清晰、有建设性的代码审查反馈的框架。
审查员培训材料：COCO 为新加入代码审查流程的工程师生成培训内容。
审查质量分析：COCO 分析代码审查模式，识别流程中的效率低下之处。

成果与受益者

审查时间一致性：清晰的标准减少"什么应该在审查中关注"的不确定性，使审查时间变得更可预测
反馈质量：结构化的反馈框架减少模糊或无建设性的评论，减少幅度约 40-50%
新工程师融入：明确的审查期望使新团队成员更快地达到有效审查者状态
代码质量趋势：一致的审查标准强化了随时间推移下的代码质量改善
团队摩擦减少：有原则的代码审查文化减少了因个人偏好分歧导致的团队冲突

实用提示词

提示词 1：代码审查标准文档

为以下工程团队制定代码审查标准文档。

团队规模：[N 名工程师]
技术栈：[描述主要语言、框架、工具]
代码审查工具：[GitHub PR/GitLab MR/Gerrit/其他]
当前问题：[描述现有代码审查流程中的痛点]

团队优先级（按重要性排序）：
[例如：可读性/正确性/性能/安全性/测试覆盖/API 设计]

创建代码审查标准文档，包含：
1. 代码审查的目标（为什么做，不是什么）
2. 审查者的职责（什么是必须检查的，什么是可选的）
3. 反馈严重性分级系统（阻塞性/建议性/挑剔性）
4. 不同变更类型的审查深度期望
5. 审查时间 SLA（多长时间应该完成审查）
6. 如何处理审查者之间的分歧
7. 什么使审查反馈优秀（附示例）

提示词 2：代码审查清单生成器

为以下代码变更类型创建代码审查清单。

代码变更类型：[新功能开发/重构/bug 修复/性能优化/安全补丁/数据库迁移]
技术栈：[描述]
关键质量维度：[列出团队最关心的质量方面]

创建针对此变更类型的审查清单，包含：
1. 必须检查的项目（阻塞合并的问题）
2. 建议检查的项目（提升质量但非阻塞）
3. 针对此变更类型特有的关注点
4. 常见错误模式（这类变更中经常出现的问题）
5. 合并前需要验证的测试要求
6. 文档和变更日志要求

清单格式应简洁，适合在代码审查工具中使用，不要超过 15 项。

提示词 3：代码审查反馈措辞指南

创建一份代码审查反馈措辞指南，帮助工程师提供清晰、有建设性的反馈。

团队背景：[描述团队文化——协作/直接/以学习为导向]
常见问题：[描述经常出现的代码质量问题类型]

创建措辞指南，包含：
1. 反馈框架（如何结构化每条评论——问题/影响/建议）
2. 不同严重性级别的措辞示例（阻塞性 vs. 挑剔性）
3. 质疑代码是否必要（而非明显错误）时的措辞方式
4. 给初级工程师的反馈措辞（教学性而非批评性）
5. 给高级工程师的反馈措辞（平等对话而非指令）
6. 应避免的反模式（什么使代码审查评论无效或破坏关系）
7. 5-7 个"之前/之后"的措辞改进示例

技术负责人 ​

1. AI技术负责人架构决策顾问 ​

2. AI技术负责人团队效率优化器 ​

3. AI技术负责人技术债务优先级排序器 ​

4. AI系统设计评审助手 ​

5. AI代码重构策略顾问 ​

6. AI工程师招聘评分标准构建器 ​

7. AI代码审查标准执行器 ​

8. AI工程OKR追踪器 ​

9. AI系统设计文档生成器 ​

10. AI事故复盘分析器 ​

11. AI跨团队依赖关系映射器 ​

12. AI工程招聘流程优化器 ​

13. AI冲刺容量规划器 ​

14. AI代码库知识图谱构建器 ​

15. AI发布就绪评估器 ​

16. AI值班轮换优化器 ​

17. AI技术RFC审查助手 ​

18. AI迁移风险评估器 ​

19. AI开发者体验调查分析器 ​

20. AI工程指标仪表盘设计师 ​

21. AI团队知识图谱构建师 ​

22. AI跨团队依赖关系管理师 ​

23. AI 工程师入职加速器 ​

24. AI 架构权衡分析引擎 ​

25. AI 代码审查文化与标准建设者 ​

技术负责人

1. AI技术负责人架构决策顾问

2. AI技术负责人团队效率优化器

3. AI技术负责人技术债务优先级排序器

4. AI系统设计评审助手

5. AI代码重构策略顾问

6. AI工程师招聘评分标准构建器

7. AI代码审查标准执行器

8. AI工程OKR追踪器

9. AI系统设计文档生成器

10. AI事故复盘分析器

11. AI跨团队依赖关系映射器

12. AI工程招聘流程优化器

13. AI冲刺容量规划器

14. AI代码库知识图谱构建器

15. AI发布就绪评估器

16. AI值班轮换优化器

17. AI技术RFC审查助手

18. AI迁移风险评估器

19. AI开发者体验调查分析器

20. AI工程指标仪表盘设计师

21. AI团队知识图谱构建师

22. AI跨团队依赖关系管理师

23. AI 工程师入职加速器

24. AI 架构权衡分析引擎

25. AI 代码审查文化与标准建设者