211交付速度 ——聊聊研发效能度量量那些事⼉儿 @张燎燎原 阿⾥里里巴巴⾼高级技术专家 张燎燎原 阿里巴巴高级技术专家，他是敏捷和精益方法的积极实 践者和推动者，具有十多年软件研发一线实践经验，经 历过消费电子、通信及互联网多个行业，长期从事研发 管理及研发教练工作，负责组织级大规模敏捷导入实施 和转型的辅导。译有《程序员度量》、《软件驱魔》等。 同时，他热衷编写代码和开源，涉及软件设计、测试驱 Metrics 研发效能度量体系 R&D Efficiency Metrics 效能改进的愿景 目标 Vision Metrics 改进是系统工程 System improvement 没有度量量的管理理，就是… Content 好的度量是什么 What’s Good Metrics 研发效能度量体系 R&D Efficiency Metrics 效能改进的愿景 要简单 Content 好的度量是什么 What’s Good Metrics 研发效能度量体系 R&D Efficiency Metrics 效能改进的愿景 目标 Vision Metrics 改进是系统工程 System improvement 研发效能的度量量 需求响应周期 持续发布能力 交付吞吐率 交付过程质量 交付质量 交付周期 开发周期

建立产品发展委员会 贡献者流程优化 2022 年 9 月 场 景 深 化 能 力 增 强 Helm/K8s YAML/ 托管场景接入流程优化 UX/UI 升级，工程师一线体验优化 推出效能看板，实时客观度量工程数据指标 效 率 优 化 、 开 发 者 体 验 增 强 2023 年 面向生态伙伴开放场景 面向开发者提供 IDE 插件 / 自测环境 通用工作流广泛链接生态赋能开发者 交付版本依赖工单，发布风险高 • 公共资源 / 业务资源利用率低 赋能多业务：一个平台解决了多异构项目的管理和规范 团队高效协作：定义团队角色工作流模板，随时可用云上环境 价值清晰呈现：为管理者提供全视角效能数据，赋能数字决策 人工低效操作减少 80% 构建资源利用率提升 60% 业务资源利用率提升 30% 统一治理内部规范，开发 自助上线；解放运维，工 作重心向业务稳定性保 障，建设平台工程体系 来自客户的评价： 2 Zadig 产品特性 Zadig 核心特性 面向开发者的云原生环境 灵活易用的高并发工作流 高效协同的测试管理 云原生 IDE 插件（ VS CODE) 客观精准的效能洞察 强大免运维的模版库 • 自动生成面向开发、测试、运维角 色的工作流 • 多个微服务并行构建、部署、测 试，代码验证效率 UP • 自定义工作流，灵活编排发布、自 主开发和对接企业内部流程和系统

个领域敏感型场景 建立产品发展委员会 贡献者流程优化 2022年9月 场 景 深 化 能 力 增 强 Helm/K8s YAML/托管场景接入流程优化 UX/UI 升级，工程师一线体验优化 推出效能看板，实时客观度量工程数据指标 效 率 优 化 、 开 发 者 体 验 增 强 2023年 面向生态伙伴开放场景 面向开发者提供 IDE插件/ 自测环境 通用工作流广泛链接生态赋能开发者 交付版本依赖工单，发布风险高 • 公共资源/业务资源利用率低 赋能多业务：一个平台解决了多异构项目的管理和规范 团队高效协作：定义团队角色工作流模板，随时可用云上环境 价值清晰呈现：为管理者提供全视角效能数据，赋能数字决策 人工低效操作减少 80% 构建资源利用率提升 60% 业务资源利用率提升 30% 统一治理内部规范，开发 自助上线；解放运维，工 作重心向业务稳定性保障， 建设平台工程体系 方案对比 来自客户的评价： Zadig 产品特性 Zadig 核心特性 面向开发者的云原生环境 灵活易用的高并发工作流 高效协同的测试管理 云原生 IDE 插件（VS CODE) 客观精准的效能洞察 强大免运维的模版库 • 自动生成面向开发、测试、运维角 色的工作流 • 多个微服务并行构建、部署、测试， 代码验证效率 UP • 自定义工作流，灵活编排发布、自 主开发和对接企业内部流程和系统

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。

問題時能夠作出專業的反應和判斷，從而提升工作的整體質量。舉一個簡單例子，每種程式語言都內建了排 序函式： ‧ 如果我們沒有學過資料結構與演算法，那麼給定任何資料，我們可能都塞給這個排序函式去做了。執行 順暢、效能不錯，看上去並沒有什麼問題。 ‧ 但如果學過演算法，我們就會知道內建排序函式的時間複雜度是 ?(? log ?) ；而如果給定的資料是 固定位數的整數（例如學號），那麼我們就可以用效率更高的“基數排序”來做，將時間複雜度降為 間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 測試，統計平均效率，而這是不現實的。 hello‑algo.com 19 ‧ 它無需實際執行程式碼，更加綠色節能。 ‧ 它獨立於測試環境，分析結果適用於所有執行平臺。 ‧ 它可以體現不同資料量下的演算法效率，尤其是在大資料量下的演算法效能。 Tip 如果你仍對複雜度的概念感到困惑，無須擔心，我們會在後續章節中詳細介紹。 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。