跳转到主要内容

Patrick McKenzie: 为何 Stripe 的工程质量如此之高?

阅读需 1 分钟Tian PanTian Pan

上桌玩牌要有足够的筹码 —— 招聘足够数量的高水平人才,这些人才要足够重视质量、足够聪明。你要向她们反复强调公司重视质量的文化,形成正式的惯例检验大块工作,该修的修。

战术上,有这样一条最佳实践 —— 降低做正确事情的难度。Stripe 技术团队做出了各种各样的取舍,以便能够保证任何工程师都能够改进系统的任何部分。鼓励责任感(ownership)。

有专门的内部工具检查国际化的水平,很无聊,但是得花时间做。要注意,这又回到了公司的文化问题,当一个做这件事情的 IC 说:“我上周花了一些时间做 i18n ” 的时候,他应该会默认,领导层足够重视这件事情,以至于会回答说:“当然你花了时间做了这件事情,棒棒哒。”

“开个工单给相应的组,会有相应的人来处理” 是个好实践,但是如果你能够推动这个系统更快更好地把这个工单修掉,你就更能够激励人去开工单。

公司会给专门的途径,比如邮件组的别名,来上报产品的质量 bug。有专门的组来 triage 这些任务,或者把任务分配到合适的组来修,有专门的惯例告诉整个公司质量 bug 的修复速率。

在做重大 API 变化之前,既要做内部测试,也要做外部测试。经常问一下“谁有一个真真正正的 Stripe 账号在手头?能不能更新到 beta 版本试一下?” 人们需要专门抽出时间来做这件事情,并且详尽地记录下来形成文档 —— 想象一下,你有一群挑三拣四的客户,虽然你很可能无法像用户那样深入地、广泛地使用自家的产品,但是这样做已经比瞎猜要好很多了。

发现“一块支付代码 5 年没有碰过了,不知道它是怎么工作的,竟然没有测试”,这种情况虽然很少见,但是对于工程团队来说,是宝贵的财富。

以上所有都不是什么高科技,也都不是能够保证质量的充分条件。Stripe 从来都不会满足当下的质量水平,不会被动地说说“我们的标准很高”,而是保持“主动地一直在去做”。

参考资料

保持联系,关注我获取更多内容

阅读需 11 分钟

AI 功能定价:工程团队总是跳过的单位经济学框架

可变推理成本打破了固定价格 SaaS 的基本假设。本文提供一套实用框架,涵盖按工作流成本建模、重度用户补贴测算,以及在用量扩大时维持利润率的用量上限设计。

insider
ai
阅读需 9 分钟

Agentic 工程模式:While 循环只是最简单的部分

每一个生产级 Agent 都运行着相同的平凡循环。真正重要的模式是围绕它构建的——提示词链式调用、路由、反思,以及防止每周产生 47,000 美元账单的上下文管理规范。

agents
engineering
阅读需 18 分钟

代理工程:构建你自己的软件宝可梦大军

一个人用自主 AI 代理替换了一个 15 人的工程团队。这里有经营 AI 原生软件公司背后的宝贵原则、惨痛教训和实用配置。

ai-agents
engineering
阅读需 8 分钟

在生产环境中真正奏效的智能体工程模式

将那些真正用 AI 智能体交付产品的团队,与那些只停留在展示看似令人印象深刻的输出的团队区分开来的因素是:将 TDD 作为一种控制机制,将紧急停止开关置于推理路径之外,以及为什么代码健康是先决条件而非副产品。

ai-agents
engineering
阅读需 3 分钟

谷歌的软件工程:项目管理

谷歌如何管理项目?为什么要鼓励 20% 时间?具体如何推行 OKR?如何决定项目继续做还是终止?像谷歌这样的公司也会经常重组吗?

management
software engineering