为提升业务稳定性与发布效率，新功能上线通常会通过功能开关实现灰度放量。随着业务长期迭代，大量过期、冗余开关及对应的旧业务代码逐渐形成技术债务，传统人工治理不仅效率低下，还容易引入线上风险。本次分享将介绍快手内部特性开关平台的 AI 自动化治理实践。通过开关使用分析与生命周期检测，结合 AI 大模型自动生成代码修改并完成自动化校验；同时构建评测闭环流程，持续提升代码修改准确率，实现无用开关批量下线、代码清理、正确性校验、风险拦截与自动合入。落地后人工治理成本下降 70% 以上，线上变更风险显著降低。本次分享我将完整呈现方案选型、技术实现与踩坑复盘，为规模化研发场景下 AI 驱动的代码治理提供可落地的工程实践。

演讲提纲

1. 开关治理的 “隐形困境”—— 从业务刚需到技术债陷阱

• 开关的核心价值：支撑灰度放量、版本回滚，保障发布效率与线上稳定性
• 核心矛盾：业务快速迭代导致开关大量沉淀，过期 / 冗余开关变成技术债
• 传统治理 “死循环”：人工梳理耗时耗力、易引发代码变更风险，且治理速度远跟不上开关新增速度
• 破局关键：AI 不再是辅助，而是直接自动修改代码、完成开关下线，实现治理模式本质升级

2. 实践关键： 治理 Agent 的演进与工程落地

• 精准识别：解决 “哪些开关该下线”
• 自动执行：AI 直接改代码、清冗余
• 自主修复：遇到逻辑不对的情况可以自主修复
• 持续优化：让 AI 越用越准

3. 核心挑战

• 如何保障 AI 代码修改的正确性，避免引入线上风险
• 如何实现跨文件、全链路代码治理，精准定位开关调用与依赖关系
• 如何构建可持续迭代的评测与闭环体系，保证治理效果持续提升

4. 落地成效

• 效率提升：人工治理成本下降 70%+，打破 “新增＞偿还” 困境
• 研发提效：让研发人员从重复的开关清理工作中解放，聚焦核心业务开发

5. 总结与展望：从 “开关自治” 到 “代码技术债治理新范式”

• AI 驱动开关治理的关键，是 “工程化落地” 而非 “单纯模型能力”
• 经验复盘：踩过的坑与可复用的工程化思路
• 未来方向：从单一开关治理，延伸至全场景技术债治理；打造全自主、自演进的 AI 治理能力，成为研发效能提升的核心支撑

您认为，这样的技术在实践过程中有哪些痛点？

• 治理场景与问答 / 排障场景不同，代码修改错误极易引发线上故障，如何保障准确率是第一要务
• 评测体系搭建：要搭建适配的评测体系，并根据评测结果不断调优 Agent

演讲亮点

• 工程化落地与实战踩坑：自动化治理 Agent 的搭建与落地，以及踩坑记录
• 治理正确率提升：如何不断提升 AI 治理的正确性

听众收益

• 全面了解快手内部开关平台从 “人工治理” 到 “AI 自动治理” 的开关治理演进历程，掌握 AI 驱动开关技术债偿还的完整实践路径
• 深入理解 AI 大模型与传统工程的融合机制，明晰如何落地开关自动化治理