AI 写代码总失控？CMMI 的工程管理思路

“能跑"不等于"受控”——这是 AI 编程时代最大的幻觉。AI Agent 几秒钟就能生成几百行代码，但它们是否符合需求、是否可维护、是否有测试覆盖？把 1987 年的 CMMI 成熟度模型用在这里，你会发现它意外地合适。今天聊聊怎么让 AI 写代码"守规矩"。

一、AI 编程的失控现场

AI Agent 写代码的问题不是"写不出来"，而是：

• 需求理解偏差：你说"做个登录功能"，它给你做了个不带密码加密的登录
• 质量不可控：代码能跑，但无测试、无异常处理、安全漏洞一堆
• 不可追溯：改了几轮之后，没人说得清这段代码为什么长这样
• 上下文漂移：多轮对话后 AI 忘了最初约束，开始自由发挥

这些不是 AI 独有问题——软件工程史上都遇到过，只是 AI 把速度放大了。

二、CMMI 的核心思路：过程成熟度

CMMI（能力成熟度模型集成）1987 年由 SEI 提出，核心观点：软件质量不是靠"英雄主义"（某个大神加班拯救项目），而是靠"制度化"（过程可重复、可预测）。

五个成熟度级别：

1. 初始级：靠个人英雄主义，结果随机
2. 已管理级：项目级的过程管理（有需求管理、项目计划）
3. 已定义级：组织级的标准过程（有规范、可裁剪）
4. 定量管理级：用数据量化管理（度量指标、统计过程控制）
5. 优化级：持续改进（根因分析、缺陷预防）

三、映射到 AI 编程：给 AI 加"质量门"

关键手段是质量门（Quality Gate）——每个阶段设阈值，不达标不许进入下一阶段：

阶段	质量门	不达标后果
需求	需求清晰度、验收标准明确	打回重写需求，不许开始编码
设计	设计评审通过	不许写代码
编码	静态扫描、单测覆盖达标	代码不许合入
测试	测试通过率、无 P0 缺陷	不许发布

AI 生成代码后必须自动过门——不通过就让它重做。这比"人肉 review"可扩展得多。

四、代码演示：质量门怎么拦 AI

stages = [
    ("需求", lambda q: q >= 70, "需求清晰度"),
    ("设计", lambda q: q >= 65, "设计评审通过率"),
    ("编码", lambda q: q >= 60, "静态扫描+单测覆盖"),
    ("测试", lambda q: q >= 80, "测试通过率"),
    ("发布", lambda q: q >= 90, "验收标准"),
]

def gate_flow(quality_scores):
    print("AI 产出代码走质量门:")
    passed = True
    for (name, check, desc), q in zip(stages, quality_scores):
        ok = check(q)
        print(f"  {name}门: {desc}={q} -> {'通过' if ok else '打回'}")
        if not ok:
            passed = False
            break
    return passed

print(f"AI产出(85,70,65,85,92): {'发布' if gate_flow([85,70,65,85,92]) else '被拦（不合规不入库）'}")
print(f"AI产出(85,70,55,85,92): {'发布' if gate_flow([85,70,55,85,92]) else '被拦（不合规不入库）'}")

运行输出：

AI 产出代码走质量门:
  需求门: 需求清晰度=85 -> 通过
  设计门: 设计评审通过率=70 -> 通过
  编码门: 静态扫描+单测覆盖=65 -> 通过
  测试门: 测试通过率=85 -> 通过
  发布门: 验收标准=92 -> 通过
AI产出(85,70,65,85,92): 发布

  需求门: 需求清晰度=85 -> 通过
  设计门: 设计评审通过率=70 -> 通过
  编码门: 静态扫描+单测覆盖=55 -> 打回
AI产出(85,70,55,85,92): 被拦（不合规不入库）

第一组数据全门通过 → 发布；第二组编码门只有 55 分 → 直接打回，根本到不了测试阶段。这就是"制度化"的力量：不依赖人盯，而是靠流程自动拦截。

五、AI 时代的 CMMI 实践要点

1. 把验收标准前置：让 AI 动手前先定义"什么算完成"，否则它会自由发挥
2. 自动化质量门：静态扫描、单测、安全扫描全部脚本化，AI 产出自动过门
3. 保留可追溯性：需求-设计-代码-测试的对应关系要能追溯（AI 改了几轮最怕丢链路）
4. 度量驱动：记缺陷密度、返工率、门通过率——用数据看过程是否在改善
5. 人类把关"什么是对的"：AI 能过门不代表需求本身正确——需求阶段的判断仍需人负责

六、想系统学 AI 工程管理？

本文精选自 ima 知识号【Kruptos】《CMMI × AI 编程》订阅库（第 003 期 AI 编程的现状、第 004 期过程成熟度的本质、第 007 期 AI Agent 开发的痛点清单、第 008 期为什么 CMMI 能约束 AI 编程等 100 期系统教程，配套技能《CMMI-Compliant-Agent》已上线技能广场）。

📚 完整系列 100 期 + 配套代码，已在 ima 知识号发布

本文只是系列的一个切片。完整系列（100 期系统教程 + 每期可运行代码）在 ima 知识号【Kruptos】持续更新中：

• 🗂 68+ 技术知识库：信号与系统、SDR 软件无线电、数字信号处理、操作系统、AI Agent、大模型微调……几乎覆盖全部软硬件技术栈
• 🧠 8 款 AI 技能：系列生产、知识库管理、CMMI 受管开发、自进化 Agent 等，已在 ima 技能广场上架，即装即用
• ✅ 全部免费订阅，后续更新自动推送

🔍 订阅方式：打开 ima（腾讯智能工作台）→ 搜索「Kruptos」→ 一键订阅。或在 ima 内直接搜索《CMMI × AI 编程》等知识库名称。

💬 你用 AI 写代码时，怎么保证质量？有质量门吗？评论区聊聊——想看需求管理还是度量体系，点赞高的安排。

---

作者：Kruptos（西电毕业，13 年无线通信/DSP/嵌入式科研）｜原创内容，转载注明出处