ThoughtWorks闭门研讨会的企业架构启示：从“团队拓扑”到“智能体拓扑”

康威定律：系统设计反映组织的沟通结构。当AI智能体成为这些结构中的一等参与者时，会发生什么？

这是ThoughtWorks闭门研讨会上最具战略性的议题之一。各大科技公司的架构师和CTO们发现，康威定律不仅没有因为AI而失效，反而变得更加复杂。因为智能体带来了一种人类团队从未有过的特性：可复制、无入职摩擦、高速产出。

研讨会引入了“智能体拓扑”的概念，作为团队拓扑（Team Topologies）框架的扩展。本文将围绕这一主题，梳理智能体进入企业架构后产生的核心挑战，并探讨国产基础软件在这一变革中的角色。

速度不匹配：

AI清空积压，却撞上组织之墙

01

这是研讨会上被最多次提及的现实问题。

你给一个团队AI工具，他们在几天内清空了积压的工作项，然后——撞墙了。墙是什么？跨团队依赖、架构评审、安全审批、以及所有以“人类速度”运行的决策流程。

结果不是更快的交付，而是同样的交付速度加上更多的挫败感。因为瓶颈已经从工程能力（写代码的速度）转移到了组织协调（决策和跨团队对齐的速度）。

更严重的是，中层管理者开始成为新的审批瓶颈。当智能体生成工作规范、代码修复、功能实现的速度快于任何人能说“同意”时，决策疲劳就出现了。一位与会者直言：“过去我们的问题是‘谁来做’，现在的问题是‘谁来同意’。”

这引出了一个根本性的组织问题：如果智能体可以无限加速生产，我们是否要同时加速决策？如果是，靠什么加速？资本预算、安全合规、数据隐私——这些无法被智能体代劳的环节，正在成为新的“慢变量”。

智能体漂移：

专业化的双刃剑

02

从上下文中学习的智能体会随时间发生分化。一个在电商后端工作的数据库智能体，会积累与在ERP系统中工作的那个不同的模式和偏好——即使它们的初始配置完全相同。

这反映了人类团队中“本地优化”的类似问题，但时间线被大幅加速。几周内，两个原本相同的智能体就可能表现出行为差异。

组织面临一个选择：

管理漂移：像人类团队的标准化努力一样，通过中央规则和定期同步来约束智能体行为的一致性。

接纳漂移：像允许团队进行本地优化一样，接纳智能体的专业化分化，并设计架构来管理这种异构性。

目前尚无共识，但与会者一致认为：这个问题不能忽视，因为它直接影响系统的可预测性和可调试性。

在国产基础软件环境中，智能体漂移的风险可能更高，因为不同行业的监管要求、安全标准差异巨大。泛联新安的代码安全检测产品内置了行业特定的规则集（金融、军工、政务等）。这些规则集可以作为“锚点”，帮助约束智能体在特定领域内的行为一致性——无论智能体在哪个团队、处理什么业务，其对安全规范的遵守都可以被统一量化和审计。这相当于为智能体漂移提供了“安全带”。

自愈系统的雄心与现实

03

研讨会探讨了最令人兴奋但也最遥远的话题：从人工事件响应转向智能体辅助的自愈系统。小组区分了两个层次：

自愈：将系统恢复到已知良好状态（如回滚、重启、切流）

自改进：主动演进系统的非功能性质量（如性能、可靠性）

研讨会的结论很直白：代码变更应该是事件修复的最后手段。 通往自愈的道路要先经过更好的回滚、更好的功能开关、更好的可观测性，然后才是智能体重写生产代码。

隐性知识问题

资深工程师在事件响应中带来了数十年的模式匹配。他们知道某个特定错误码实际上是深层基础设施问题的症状。这类知识几乎从未被文档化。

要为智能体复制这些知识，组织需要构建“智能体潜意识”——一个从多年事后分析和事件数据中构建的知识图谱。一些组织已经开始用AI自动化事后分析的起草，但添加细微差别和上下文的人工步骤仍然必不可少。

这正是泛联新安数据积累的价值所在。在军工、金融、政务等关键领域多年服务中，泛联新安沉淀了海量的缺陷模式库、安全漏洞知识图谱和行业特定的合规规则。这些知识可以被结构化，成为智能体“潜意识”的一部分。特别是对于国产操作系统（麒麟、统信等）和国产芯片架构，这些隐性知识是通用工具无法提供的——只有深耕国产基础软件的厂商，才具备这种“老工程师的经验”。当自愈系统的时代来临时，这类知识库将成为智能体自主决策的信任基座。

技术基础：

面向智能体的新基础设施

04

研讨会花了大量时间讨论一个现实问题：智能体时代的技术基础设施尚不存在，但拼图正在组装。

面向智能体的编程语言

一种为智能体生成代码而设计的语言会是什么样子？小组达成了一个原则共识：对AI有利的，对人类也有利。 使错误代码无法被表达的语言（强类型、受限计算模型、形式化约束），既帮助智能体产出正确输出，也帮助人类验证它。

更激进的可能性是：我们所知的源代码可能成为一种瞬态制品，按需生成且永不存储。研讨会上对此有分歧——有人认为十年内会实现，有人认为测试需要永久性的稳定制品，而这本质上就是源代码。

语义层与知识图谱

数十年来未能被主流采用的技术突然变得重要。语义层、知识图谱和领域本体正在被重新发现，作为需要理解业务领域的AI智能体的基础层。

一个令人振奋的数据点：一家大型电信公司的整个领域本体，可以用大约286个概念来捕获。这个数字让这项任务从“不可能宏大”变成了“可实现”。

泛联新安在服务多行业客户的过程中，已经积累了行业特定的领域模型、合规规则、安全基线。这些“语义层”资产可以被封装成国产开发工具的内置知识库，让AI智能体在生成代码时自然“理解”业务上下文。例如，在金融场景下，智能体自动知道哪些数据不能打印到日志；在军工场景下，自动知道哪些加密算法被禁用。这不再是“写代码”，而是“在约束中编写可信代码”。

智能体操作系统

一个核心洞察：智能体不仅仅是它的角色设定、目标或当前上下文；它还包括它执行过的工作历史。工作账本被确立为这个新操作系统的核心基本单元——类似于金融区块链：可搜索、可审计，并使智能体能够发现和竞标工作。

在这个新兴的基础设施层，自主可控不是可选项，而是必选项。如果智能体操作系统运行在非国产的云底座上，那么所有工作账本、所有决策历史、所有领域知识都流向了外部。泛联新安深度适配国产操作系统与芯片架构，为智能体时代的软件质量与安全检测提供了“国产化基座”。其产品覆盖从代码静态分析、动态测试到开源成分检测的全链路，是构建智能体拓扑时不可或缺的信任锚点。正如报告所言，源代码可能成为瞬态制品，但验证工作必须是确定性的——泛联新安正是这一确定性验证的国产守护者。

结语：企业架构正在被重绘

康威定律没有退休。它只是从“人类团队的沟通结构”扩展到了“人类+智能体的混合拓扑”。

在这个新范式中，速度不匹配、智能体漂移、决策疲劳、隐性知识缺失，都是必须被设计的系统性问题。而解决这些问题，不仅需要算法和模型，更需要可度量、可审计、国产自主的基础设施。

泛联新安的定位越来越清晰：在AI重塑软件工程的时代，为代码质量、安全检测、可信开发提供国产化的信任基座。无论智能体拓扑如何演变，每一行代码的确定性验证，都需要这样的基础设施来守护。

系列预告

本文为「ThoughtWorks闭门研讨会」系列解读第二篇。

• 上篇回顾：2026ThoughtWorks闭门会，全球顶尖科技公司AI大佬们都说了些啥？

• 下篇预告：我们将探讨 [ThoughtWorks闭门研讨会的人才洞察]