人机对齐（Human-AI Alignment）

核心洞察：管理 AI Coding 的底层逻辑与评测 Agent 完全相同——先对齐人的共识，再约束 AI 的行为

定义

人机对齐是从 Agent 评测领域迁移到工程管理的方法论，核心是两个阶段的顺序依赖关系：

人人对齐：团队成员就工程标准、分层原则、建模方式、依赖边界形成统一共识
人机对齐：将共识固化为 AI 可执行的约束（Rule、Skill、SOP）

顺序至关重要：先"人人对齐"，再"人机对齐"。团队自身没有统一共识时，AI Rule 写得再好也会被不同人解释成不同版本。

机制

为什么顺序不能颠倒？

尝试	结果
直接配置 AI Rule，跳过人人对齐	不同成员对同一 Rule 产生不同理解，AI 产出依然"千人千面"
先人人对齐，再落地 AI Rule	团队共识成为 AI 约束的锚点，产出趋于一致

在 Agent 评测中的原始形态

标准对齐（人人对齐）：需要 1 个强有力的角色拉齐产品、运营、算法、QA 等所有角色的评测标准——"1 个独裁者好过 10 个民主者"
人机对齐：评测标准对齐后，通过模型选型和评测指标优化，实现人机一致率达基本阈值（如 90%）

在工程管理中的迁移应用

人人对齐：调研成熟团队规范，结合自身流程，就工程分层规范、业务域模型规约、仓储层规约达成共识
人机对齐：将规范落地为 always 级别的 AI Rule + 渐进式加载的 Skill，约束 AI 编码过程

关键数据点

团队 90%+ 代码由 AI 生成，成员技术背景复杂（高并发、ML、管理后端、实习生）
系统从 5 万行膨胀至 31 万行，月均 16 个需求（80% 业务 + 20% 技术）
通过人机对齐方法论，在不停止业务交付的前提下完成 31 万行代码重构

前提与局限性

前提: 工程规范可以像评测标准一样被形式化为可执行约束。但工程判断中存在大量隐式知识（架构权衡、技术取舍），未必能完全转化为显式 Rule
前提: 需要一个"强有力的角色"推动共识形成。民主讨论可能导致无法收敛
边界条件: 适用于 AI 生成代码占比高的团队。纯人工编码团队中，规范更多是协作建议而非硬约束
局限性: 该方法论来自 Agent 评测领域，跨域迁移到工程管理的成功案例目前仅见于美团这一篇

关联概念

Agentic-Engineering - 人机对齐是 Agentic Engineering 的组织层实现：人定义约束，AI 执行
Vibe-Coding - 人机对齐是对 Vibe Coding 失控状态的纠偏：从"氛围驱动"到"约束驱动"
Knowledge-Work - AI 消灭知识获取壁垒后，"判断什么重要"成为人的核心价值——这正是人人对齐要解决的问题
Technical-Debt-Avoidance - 人机对齐的工程目标之一：通过规范约束阻止系统长新债
Harness-Engineering - 人机对齐是 Harness Engineering 的组织基础：没有人的共识，无法构建有效的工程约束系统