Agent驱动组织变革：快手风控团队的AI原生转型之路

【路边社】最近，快手公司的风控团队在一次内部分享中，谈起了他们的‘组织转型’实验——一个由AI驱动、跨越产品、研发与算法边界的大胆尝试。据称，这个团队已经尝试用AI的方式重新定义了传统流程，甚至让一些非技术出身的产品和运营人员开始具备‘编码能力’。

长期以来，他们在内容安全和广告反作弊领域困于一个经典的‘安全、效率、体验’三角困境。随着AIGC技术爆发，这一困境变得更加尖锐：海量内容涌现压垮系统，而人工审核的滞后性引发了更多风险。

于是，他们决定彻底重构架构，把传统的‘产品-研发-运营’模式，替换成一个更加灵活、以‘数据为中心’的‘液态组织’。运行的不只是系统，更是整个团队的协作方式。产品和运营同学们开始参与到技术研发中，成为了AI的‘协作者’，而不是传统的参与者。

他们提出了‘P2P’（Prompt to Product）的概念，也就是产品经理可以通过prompt直接生成产品原型设计，而不再依赖低代码平台。这让产品经理们的能力边界变得更加宽广，但也对研发同学提出了更高的要求：必须适应新的模式，不被边缘化。

运营方面也经历了类似的变化：他们从单纯配置规则，进化为Prompt工程师、RAG运营，甚至成为模型教练。根据团队观察，现在一些运营同学已经能掌控模型的训练流程，将业务经验注入知识库，减少大模型的幻觉问题。

对于研发团队而言，这场变革呈现出明显的‘微笑曲线’：资深工程师能更快适应AI工具，能力进一步放大；而初级工程师却面临‘Danger Zone’的挑战。他们必须通过Code Agent等工具，提升自身在组织中不可替代的技术价值。

当前团队正在采用三种数级需求承接方式，从简单的Chat对话、到Skills驱动的SQL处理，再到Spec-Driven Development模式。这部分实践曾经历困惑与试错，最终摸索出适用于技术团队的‘CLI’（Command Line Interface）模式，被认为是对未来更有力的押注。

算法团队则被要求‘专注向下’，在视觉表征和风险识别层深耕。他们以SigLIP为基础，自研视觉对比学习方案，并在多模态大模型上进行了深度增量训练和偏好对齐实验，甚至有成果发表在AAAI 2026上。

此外，他们也在构建数据飞轮，期望以高质量数据推动模型持续进化。这样做，一方面保持了业务敏感度，另一方面也为团队技术深度积累提供了土壤。

整个转型过程中，他们也经历了几个重要的‘坑’：比如Vibe Coding带来的工程落地问题，以及存量项目与增量项目的差异化挑战。这些教训让他们最终选择了更稳定的‘Spec-Driven Development’方式，并在架构选型上进行了积极探索。

2职能重塑之路：风控产运研如何构建AI超级组织

在技术迅速迭代的当下，传统分工模式慢慢显得跟不上节奏。为了应对这一挑战，快手上线了一套新的组织流程，试图将产品、运营和算法的角色深度融合，打造一个面向AI原生的协作体系。

通俗来说，他们打造的是一种‘液态组织’，不再以固定的职能边界划分职责，而是让各个角色在价值链中穿梭融合，共同为业务价值创造贡献力量。产品经理学会用prompt设计产品，算法同学则深入模型训练的底层逻辑，而运营则从被动配置转向主动训练。

虽说AI正在改变一切，但他们更关心的是，如何让AI真正成为团队的‘超级工具’，而不是替代品。他们正在尝试构建属于风控领域的数据飞轮，期望通过高质量数据系统，确保AI能力长期进化，而非依赖短期内的热门技术框架。

在这一过程中，团队也对AI能力的边界进行了重新定义。从Prompt工程师到RAG运营，再到模型教练，运营同学逐步掌握AI技术运作的实质，并在实际业务中贡献越来越多的‘关键价值’。

研发团队则经历过‘从焦虑到觉醒’的过程。早期曾试图把prompt交给技术团队处理，但后来发现这条路走不通。最终他们转向CLI模式，让自己成为能够独立运作的小军团，不依赖传统的研发流程。

从建模到数据闭环，他们不遗余力地探索AI落地的可持续路径。尽管过程中充满未知与试错，但他们始终坚信，唯有拥抱变化，才能在AI原生的世界中立于不败之地。