Pipedrive 揭秘：AI 重塑 10 万+ 团队的工程文化与运维体系
作为全球领先的 CRM 平台，Pipedrive 服务于 180 个国家的超过 10 万支团队。在幕后，其工程团队每月处理超过 3 万至 4 万次客户交互，且这一生态正日益由 AI 驱动。近日，Pipedrive CTO Agur Jõgi 与 Jam.dev 深入探讨了其如何将 AI 深度融入工程工作流，构建了一套兼顾效率、安全与创新的内部 AI 体系。
1. 代码审查的范式转移：从“人审”到“人机共学”
Pipedrive 彻底重构了代码审查流程。每个 Pull Request 现在都会并行通过三个 AI 模型（OpenAI、Claude 及一个小模型）的审查管道。
- Champion-Challenger 测试机制：团队持续进行模型间的优胜劣汰测试，结果实时推送到名为"Pipedrive Intelligence"的 Slack 频道。
- 文化重塑：这并非替代人类审查，而是一个“同伴学习”的Feed。初级工程师通过 AI 反馈加速产出，而资深工程师则被迫跳出固有思维模式。
“AI 生成的代码略有不同，这让我重新思考我的方法——也许我陷入了资深工程师的思维定势。”
这种机制创造了一个持续的培训循环：审查 AI 生成的模式不仅提升了直觉，也激发了新的创造力。
2. “懒惰型”智能 SRE：预测性运维的进化
在生成式 AI 普及之前，Pipedrive 的可靠性工程师（SRE）已利用机器学习预测故障。他们利用 Datadog 多年的日志数据训练模型，提前识别可能导致宕机的模式。
- 主动预警：系统能在故障发生前通知客户：“如果您继续使用此类操作，可能会遇到问题。”
- 定义“懒惰”：Agur Jõgi 幽默地称其为“懒惰型 SRE”（Lazy SREs）。“懒惰”在此被重新定义为一种创新技能：通过智能预判减少人工干预，从而获得更高的系统稳定性。
3. 自建优先：速度与深度的战略权衡
Pipedrive 的工程卓越团队坚持在内部构建大多数 AI 工具，而非直接购买第三方服务。
- 策略逻辑：虽然自建初期较慢，但它能深化对技术原理的理解。团队信奉“构建 -> 学习 -> 若无效则抛弃”的敏捷哲学。
- 核心领域自主：在通用任务上采用第三方模型，但在核心业务领域，他们更倾向于自研实验，以确保对数据流和逻辑的完全掌控。
4. 红黄绿灯合规框架：平衡创新与风险
为了在遵守 GDPR 和欧盟 AI 法案的同时快速实验，Pipedrive 建立了一套轻量级红绿灯系统：
- 🟢 绿灯：安全使用公共或非敏感数据。
- 🟡 黄灯：需咨询内部“冠军”进行审查。
- 🔴 红灯：必须获得法律或数据保护部门的批准。
这套框架赋予了工程师自主权，同时建立了共同规则集，防止在探索新技术时触碰合规红线。
结语
AI 正在 Pipedrive 引发一场深刻的学习文化变革。当模型挑战代码、标记生产模式或从海量交互中提取洞察时，整个团队被迫以全新的视角审视系统。正如 Agur 所言，这是一条陡峭但令人兴奋的学习曲线。
Dealing with bugs is 💩, but not with Jam. Capture bugs fast, in a format that thousands of developers love. Get Jam for free.
