# AI4SE 成熟度模型设计：分型诊断，而不是一刀切开药
团队都在用 AI，不等于都能用同一套改进方案。AI4SE 成熟度模型用 6 域 × 18 项的证据化画像识别短板，再按成熟度分型给出剂量匹配的能力提升处方——评估的目的不是打分，而是具体问题具体分析。
本文基于 AI4SE 团队成熟度模型 v0.3.5 的设计稿与评估表，面向需要在组织内做当前态诊断、证据化评分与持续改进牵引的研发管理者、工程效能负责人与顾问。配套评估表以能力画像与风险项输出为主，不计算团队总分。
门诊里最危险的习惯，不是「不会开药」，而是「见过感冒就开同一种药、同一种剂量」。
AI4SE 转型里也有同类误判：团队都装了 Coding Agent，于是全员上同一套工作流模板、同一套培训课、同一套「自主化」目标。结果往往是——工具层看起来很热闹，流程与人机协作契约却跟不上；或者基础标准还没立住，就开始追 L4/L5 的系统化叙事。
成熟度评估的关键点，不在于给团队贴一个等级标签，而在于：不同成熟度的团队，改进优化方案本就不同。 哪怕最终都要补「证据驱动的 Review」，从 L2 走到 L3 与从 L3 走到 L4，动作集合与投入剂量也不一样。模型存在的意义，是发现能力短板，再具体问题具体分析地给出 AI4SE 能力提升方案。
本文讲这套模型为什么这样设计、如何判级、以及如何把评估输出读成「分型处方」。能力项的完整 L1–L5 行为锚点以评估表为准，文中只保留设计逻辑与读图方法。
一、为什么需要团队级成熟度模型
采购工具、组织培训、宣布「全面拥抱 AI」，都容易做成活动。真正难的是回答三个问题：
- 当前稳定发生的是什么？ 不是计划里写了什么，也不是演示里演了什么。
- 短板卡在哪一层？ 是效能目标不清，还是流程未改、方法未立、工具无边界、协作无契约、组织无土壤？
- 下一步该开什么「药」、开多大「剂量」？ 继续堆工具，还是先补门禁与责任链？
DORA、SPACE、DevEx 回答的是「交付与体验发生了什么」；分层技术模型 回答的是「工程能力应按什么结构理解」。成熟度模型补的是第三块：团队在 AI4SE 各能力域上的当前画像，以及由此推导的改进优先级。
它刻意不做四件事：
| 不做 | 原因 |
|---|---|
| 单一团队总分 | 平均数会掩盖关键短板；「总分 3.2」无法指导下周改什么 |
| 团队排名 | 评估服务于改进，不服务于竞赛 |
| 固定周期成熟度承诺 | 模型可复评，但不内置「三个月必到 L4」 |
| 绑定特定厂商/框架 | 评的是能力，不是采购清单 |
二、模型定位：画像诊断，服务处方
模型用于评估团队在 AI4SE 方面的当前能力画像，识别差距，并为持续改进提供证据基础。它不绑定单次项目背景，也不以单一总分评价团队优劣。
应输出：
- 能力域画像：六个域各自的成熟度分布
- 能力项热力图：18 个能力项的 L1–L5 状态
- 证据强度与评分置信度：说明分数是否可靠
- 瓶颈项与证据缺口：说明为什么不能评到更高等级
- 持续改进建议：基于缺口提出下一步方向
不应输出： 总分、排名、周期跃迁承诺、对特定工具的强制要求。
一句话：
评估是分型诊断；处方是按短板与证据缺口匹配的能力提升方案。
三、设计原则
| 原则 | 说明 |
|---|---|
| 当前态评分 | 只评已经稳定发生的实践，不评计划、愿景或一次性演示 |
| 证据优先 | 评分基于可观察事实、产物、流程记录、系统数据与访谈交叉验证 |
| 团队一致性 | 个别人做到不代表团队能力；个人实践通常最高不超过 L2 |
| 就低不就高 | 只满足高等级的部分条件时，按已稳定满足的共同能力评分 |
| 能力而非工具 | 锚点描述团队具备什么能力，不硬编码厂商或框架 |
| 可复评 | 同一模型可用于后续周期复评，但不内置固定时间目标 |
| 不算总分 | 输出画像、瓶颈与改进建议，不输出排名分 |
这些原则共同服务一个目的：让「处方」建立在可复核事实上，而不是建立在口号或体感上。
四、能力结构：6 域 × 18 项
模型采用 6 个能力域、18 个能力项，与 AI4SE 分层技术模型对齐：Effectiveness 地基、Process / Methods / Tools 三层、Harmony 横切，以及组织与文化支撑。
| 域 | 能力域 | 定位 | 能力项 |
|---|---|---|---|
| D1 | 效能地基 | Quality + Efficiency + Value | 价值目标与成效假设；质量与信任基线；效率与流动度量 |
| D2 | 流程层 | 人机协作的可审计闭环 | AI4SE 工作流设计；小批量任务分解；证据驱动的 Review/Ship 门禁 |
| D3 | 工程方法与工作纪律 | 可复用、可训练、可验证的方法 | 规格化表达；上下文组织；验证与证据纪律 |
| D4 | 工具层 | Agent 运行环境、上下文与自动化验证 | Agent 运行环境与权限；AI 可访问的工程上下文；自动化验证与工具链集成 |
| D5 | Harmony 人机/Agent 协作 | 横切三层的协作契约 | 协作职责与独立验证；HITL/HOTL/HOOL 风险路由；责任归属与审计记录 |
| D6 | 组织与文化 | 持续采纳与团队学习 | 实践带头人与培训；社区与知识资产；采纳信心与行为转变 |
结构本身就在提示「分型」：若 D4 明显高于 D2/D5，典型处方不是再买一把更强的 Agent，而是补工作流、门禁、职责与风险路由——否则工具越强，绕过治理的速度越快。
与参考框架的映射
| 本模型 | 对应来源 |
|---|---|
| D1 效能地基 | AI4SE Effectiveness Focus；DORA Value / Flow 视角 |
| D2 流程层 | Pressman Process；Research → Plan → Execute → Review → Ship |
| D3 工程方法 | Pressman Methods；SDD、Agentic Engineering、Harness 等稳定能力抽象 |
| D4 工具层 | Pressman Tools；Agent 运行时、权限、上下文、自动化验证 |
| D5 Harmony | Harmony 横切；HITL / HOTL / HOOL 监督光谱 |
| D6 组织与文化 | 采纳、培训、实践社区等组织土壤 |
度量框架（DORA / SPACE / DevEx）告诉你「效果与体验如何」；成熟度模型告诉你「能力结构哪里缺，下一步该补哪一块」。
五、等级语义：L1–L5
主标签使用 L1–L5。若需对齐 Microsoft CMM 风格命名，可映射为 L100–L500。
| 等级 | 名称 | 通用判级语义 |
|---|---|---|
| L1 | 初始 | 实践零散、个人化、不可重复，缺少团队标准与证据 |
| L2 | 工具化 | 已有局部实践或初步规则，但依赖个人经验，团队一致性与治理较弱 |
| L3 | 工程化 | 形成明确标准、角色责任、必要产物与评审机制，可重复执行 |
| L4 | 系统化 | 标准嵌入流程与工具链，关键数据可追踪，并形成持续改进闭环 |
| L5 | 自主化 | 在明确治理边界内，低风险路径可稳定自动运行，异常可升级，决策证据可追踪，并基于运行数据持续优化 |
说明：L2 的「工具化」是简写，表示 AI4SE 已从零散想法进入局部实践或初步规则阶段，不代表只评估工具采购。
对「开药」而言，等级差比绝对分更重要：
- 大量能力项停在 L1–L2：优先建团队标准、模板、执行记录与证据纪律，而不是追自主化叙事。
- 多数已到 L3、局部可冲 L4：把标准嵌入任务系统、评审门禁与工具链，让缺失证据真的能挡住交付。
- 工具高、流程/Harmony 低：先补协作契约与门禁，再谈扩大 Agent 权限。
同一味「药」（例如证据门禁），剂量不同：L2→L3 往往是「评审前必须有变更说明 / 测试 / 风险说明」；L3→L4 则是「缺失证据会阻止或延迟交付，且要求嵌入工具链」。
六、证据化判级：让处方可复核
1. 判级五步法
最终等级 = 满足该等级必要条件的最高等级，并受证据强度、团队覆盖度与封顶规则约束。
- 确认当前稳定实践：只看已稳定发生的行为。
- 对照行为锚点：选择最接近当前事实的 L1–L5 描述。
- 检查必要条件：条件不完整则降到已满足的最高等级。
- 应用封顶规则：按证据强度、覆盖度、执行记录与「普通工程实践边界」封顶。
- 形成最终解释等级：记录证据摘要、AI4SE 增量证据、证据缺口、置信度与改进建议。
v0.3.5 评估表以顾问专家评分为主要成熟度输入；最终进入 Dashboard 的是被证据与覆盖度规则封顶后的最终解释等级，不是主观体感分。
2. 证据强度与覆盖度封顶
| 证据强度 | 含义 | 封顶倾向 |
|---|---|---|
| 低 | 个人描述、单次案例、不可复核截图 | 通常最高 L2 |
| 中 | 有文档/访谈/少量样本，但连续性或覆盖不足 | 通常最高 L3 |
| 高 | 完整工作周期或 4 周以上、多样本、多来源且可关联工作产物 | 才具备解释 L4/L5 的条件 |
| 覆盖度 | 含义 | 封顶倾向 |
|---|---|---|
| 个人 | 个别成员能做到 | 通常最高 L2 |
| 小组 | 单一角色或局部场景 | 通常最高 L3 |
| 团队 | 主要交付角色与关键环节稳定使用 | L3+ 的基本门槛 |
| 跨团队 | 多团队共享治理与知识机制 | 组织级扩散信号 |
3. AI4SE 增量证据
普通 PR、CI、Git、测试记录可以作为基础证据，但不能自动证明 AI4SE 成熟度。评估者必须能说明：
- AI 参与了哪个环节；
- 团队如何调整了流程、验证、权限、责任或知识资产；
- 这些调整能否被复核。
没有增量证据，就容易把「我们一直有 CI」误判成「我们已经系统化做 AI4SE」——处方也会开错。
4. 相邻能力项边界
为减少同一证据被重复解释，评估时要分清：
| 能力项 | 主要评什么 | 不替代什么 |
|---|---|---|
| D2.3 证据驱动门禁 | 评审/交付前是否要求证据，缺失是否影响交付 | 不替代 D3.3 验证方法纪律，也不替代 D5.3 责任链 |
| D3.3 验证与证据纪律 | 如何验证 AI 输出、留下什么证据 | 不因已有普通 CI 自动高分 |
| D4.3 自动化验证与工具链 | AI 辅助变更是否可识别并进入统一验证链路 | 不替代门禁决策与人工责任 |
| D5.1 协作职责与独立验证 | 人/Agent 职责、接管点、验证是否独立于生成主体 | 「都人工看过」≠ 自动高分 |
| D5.3 责任归属与审计 | 谁批准、谁验证、谁合并、谁担责是否可追踪 | 一般 Code Review 记录 ≠ AI4SE 责任链 |
边界清晰，短板才清晰；短板清晰，处方才不会「一药治百病」。
七、从画像到处方：同病异治
成熟度评估的产品，不是雷达图本身，而是可执行的改进方案差异。下面用三类常见画像说明「分型」——它们都可能被口头描述成「团队在用 AI」，处方却完全不同。
类型 A：工具领先，流程与 Harmony 偏弱
画像特征： D4 相对最高；D2、D5 明显落后；L1/L2 项集中在工作流、风险路由、责任记录。
错误处方： 继续采购更强 Agent、扩大自动改代码权限、用工具使用率当成功指标。
匹配处方：
- 先定义团队级 AI4SE 工作流与小批量任务标准（D2.1 / D2.2）；
- 建立证据驱动的 Review/Ship 要求（D2.3），并与验证纪律（D3.3）对齐；
- 明确职责、独立验证与 HITL/HOTL/HOOL 风险路由（D5）；
- 工具权限扩张必须跟在协作契约之后，而不是之前。
类型 B：多域卡在 L1–L2
画像特征： 全局大量 L1/L2；偶有个人高手；知识散落在聊天与个人笔记。
错误处方： 直接对标「自主化 Agent 团队」、上复杂多 Agent 编排。
匹配处方：
- 选定少数高价值场景，建立可重复的规格 / 上下文 / 验证模板（D3）；
- 识别实践带头人，做角色化辅导而非一次性培训（D6.1）；
- 把成功与失败模式沉淀为团队知识资产（D6.2）；
- 目标先到工程化（L3）可重复，再谈系统化。
类型 C：多数近 L3，局部可冲 L4
画像特征： 标准与执行记录已有；缺的是嵌入工具链、数据闭环与决策影响。
错误处方： 再开一轮「意识提升」培训，或用满意度调查代替工程改造。
匹配处方：
- 把证据要求、权限与验证结果嵌入任务系统 / PR / 发布门禁（D2 / D4）；
- 让指标影响优先级与治理决策，而不只是事后展示（D1）；
- 责任链与风险路由进入可审计记录（D5.2 / D5.3）；
- 用复评验证「低成熟项是否清零」，而不是只看域平均分上涨。
「同药异量」示例
以 D2.3 证据驱动的 Review/Ship 门禁 为例：
| 当前大致位置 | 下一剂改进 | 成功信号 |
|---|---|---|
| L1–L2 | 规定评审前必要证据清单，并在真实任务中留下执行记录 | 从「靠自述」变为「有稳定证据格式」 |
| L2–L3 | 证据要求成为团队共识，缺失会被指出并补齐 | 多个真实交付样本可见一致执行 |
| L3–L4 | 证据要求嵌入门禁，缺失会阻止或延迟交付 | 门禁失败记录可查，且影响真实交付 |
| L4–L5 | 按风险、变更类型与历史质量动态调整门禁强度 | 有运行数据证明动态策略有效 |
评估若只给一个「D2.3 = L2」，却开出「上动态门禁引擎」的药，就是典型的剂量错误。
八、评估表怎么用（v0.3.5）
正式评估表把 18 个能力项、行为锚点、必要条件、建议证据、封顶规则与证据字段收在同一评分页。顾问版填写节奏建议如下：
- 基于访谈、证据与交付记录填写顾问专家评分；不了解事实时填「不清楚/无证据」，不按 L1 处理。
- 阅读能力项 Note 中的 L1–L5 锚点、必要条件与封顶规则。
- 补充证据摘要、证据类型、AI4SE 增量证据、来源/链接与样本周期。
- 填写证据评分、证据强度、团队覆盖度、置信度、证据缺口与改进建议。
- 查看规则冲突提示与最终等级：顾问评分高于「建议最高等级」时，以证据封顶结果解释。
- 用 Dashboard 看能力域画像；用 Risk Register 汇总低成熟、低证据、覆盖不足与增量证据缺口。
Dashboard 默认使用最终解释等级，不使用平均分作为团队总分，也不做排名。域平均分只用于看轮廓；决策仍应看最低项、L1/L2 数量、风险项与证据缺口。
九、如何读评估输出：一份 mock 演练
以下图表与数据复现自可视化 mock（ai4se-maturity-visualization-mock-v0.1）：雷达图看轮廓、柱状图看域差、提升条看行动成效、热力图看能力项。全部为模拟数据，不代表真实团队或成熟度承诺，用来演示「读图 → 分型 → 处方」。
1. 先看 Dashboard 关键信号
一眼可读的四件事：L1/L2 是否成片存在、是否已有 L4/L5、哪几个域变化最大、当前属于哪类典型画像。本例首次评估被标为类型 A：工具领先 · 流程/Harmony 偏弱——这已经是处方方向，而不只是分数摘要。
2. 首次评估：典型结构性失衡
雷达图上，灰色「首次评估」轮廓整体贴近 L2，唯有 D4 工具层明显外扩；青色「改进后」轮廓更圆、更靠外。读首次轮廓时，重点不是「平均多少」，而是形状是否失衡。
| 域 | 能力域 | 域画像（均值） | 解读线索 |
|---|---|---|---|
| D1 | 效能地基 | 2.00 | 有局部目标/体感，未到工程化 |
| D2 | 流程层 | 1.67 | 工作流与门禁偏弱 |
| D3 | 工程方法 | 2.00 | 规格/上下文/验证仍偏个人 |
| D4 | 工具层 | 2.67 | 相对领先 |
| D5 | Harmony | 1.67 | 风险路由与协作契约不足 |
| D6 | 组织与文化 | 2.00 | 培训与知识资产未机制化 |
全局信号更刺眼：18 项中有 16 项落在 L1/L2，L4/L5 为 0。
这不是「再买工具」的信号，而是类型 A：工具层相对领先，流程与 Harmony 偏弱。
再下钻到能力项热力图——域均值会掩盖单项短板，热力图不会：
能力项层面，短板也很具体（图中红框）：
- D2.1 AI4SE 工作流设计：L1（仍停留在个人使用）
- D5.2 HITL/HOTL/HOOL 风险路由：L1（未做风险分级）
- D4.2 / D4.3：已到 L3（上下文与验证链路相对靠前）
由此开出的第一剂处方应指向 D2 与 D5，而不是继续加码 D4：把个人用法收成团队工作流，把「全都人工看一眼」升级为有分级的风险路由与可审计责任链，并同步补齐规格/上下文/验证模板（D3）与价值假设（D1）。
3. 改进后评估：看短板清零，而不只看均值上涨
| 指标 | 首次 | 改进后 |
|---|---|---|
| L1/L2 能力项 | 16 | 0 |
| L4/L5 能力项 | 0 | 3 |
| 六域画像 | 约 L2 附近、D4 略高 | 均达或接近 L3，D3/D4 局部进入 L4 |
提升最大的域是 D2 / D3 / D5（约 +1.33）。这与处方方向一致：短板域被优先抬起。热力图右侧一列显示局部进入系统化的项包括：
- D3.3 验证与证据纪律 → L4（证据进入评审与交付决策）
- D4.2 / D4.3 → L4（上下文受控可维护；AI 辅助变更稳定进入验证链路）
读图时建议固定问三句：
- 形状像什么？（类型 A/B/C 或其它组合）——先看雷达与 Dashboard
- 哪些项在拖后腿？（最低项与 L1/L2 清单）——再看热力图红区
- 证据是否撑得住？（低证据、覆盖不足、增量证据缺口会不会让「高分」不可解释）
域平均分上涨但 L1/L2 仍多，说明短板未清；L4/L5 增加但风险路由仍空，说明自主化叙事超前于治理。好的复评，证明的是处方有效，而不是分数好看。
十、收束：评估服务于可执行的能力提升
AI4SE 成熟度模型 v0.3.5 的设计选择可以收成四句：
- 用 6×18 对齐分层工程结构，避免只评工具或只评文化。
- 用证据与覆盖度封顶，避免把计划、演示和个人英雄当成团队能力。
- 输出画像与缺口，不算总分，避免排名替代诊断。
- 把评估读成分型处方：不同成熟度、不同短板，改进方案与剂量本就不同。
回到开篇的类比：病人都是「感冒」，专业医生仍会问病程、体质与并发症，再决定同药异量或换方案。团队都在「用 AI」，专业的 AI4SE 改进同样如此——先分型诊断，再具体问题具体分析地提升能力。
相关阅读：