OutcomeOps:面向 AI 辅助开发的上下文工程
OutcomeOps AI Assist 是一个通用的、与语言和框架无关的平台,用于 AI 驱动的代码生成、拉取请求审查和知识库检索,可完全部署到你自己的 AWS 账户中。它让 AI 以你组织的标准——ADR、code-map 和架构决策——为依据,从而使生成的代码和审查结果符合你的模式,而不是通用默认值。该平台基于 Apache License 2.0 开源;参与方式见 CONTRIBUTING.md。安全问题请通过 SECURITY.md 报告。
商标:“OutcomeOps”和 OutcomeOps 标志是 OutcomeOps LLC 的商标。Apache-2.0 许可证不授予任何商标权,因此分支和衍生作品必须使用不同的名称。
AI 生成的是通用代码。你需要的是符合 YOUR 标准的代码。
问题所在:工程师要花数小时把 AI 生成的代码调整为符合组织模式、标准和架构决策的形式。
解决方案:让 AI 访问你的组织知识——ADR、code-map、架构决策——这样它生成的代码就已经符合你的模式。
- 16 小时的任务 → 15 分钟
- 每个功能 $2-$4
- 100-200 倍 ROI
- 已在 Fortune 500 生产环境验证
这就是上下文工程。这就是 OutcomeOps。
进一步了解 OutcomeOps 方法论 →
实际效果


更多演示见 OutcomeOps YouTube 频道。
拉取请求审查
本仓库的每个拉取请求都由 OutcomeOps 自身依据仓库自己的 ADR 进行审查:

一段真实的审查意见,逐字引用:许可证检查读取了仓库的 ADR-008,判定 Markdown 文档缺少版权头是 WARN,而不是 FAIL。查看该拉取请求。
当今 AI 工具的问题
当前的 AI 编码工具:
- 生成通用实现
- 不了解你的架构决策
- 忽视你的编码标准
- 需要数小时手工调整
- 你仍然要把大部分时间花在重写 AI 代码上
OutcomeOps 则不同:
- 理解 YOUR 代码库的模式
- 了解 YOUR 架构决策(通过 ADR)
- 生成符合 YOUR 标准的代码
- 自动包含测试
- AI 做实现。你做审查。
OutcomeOps 如何工作
- 摄取组织知识
- ADR(架构决策记录)
- Code-map(仓库结构与模式)
- 现有代码示例
- 标准文档
- 向量搜索 + 重排序
- 当有功能请求时(Jira 故事、GitHub issue)
- OutcomeOps 通过语义向量搜索查询你的知识库
- 使用 Cohere Rerank 3.5 对结果重排序以获得精确顺序
- 找出最相关的模式、决策和示例
- 带上下文的 AI 生成
- Claude 使用 YOUR 上下文生成代码
- 符合 YOUR 模式,而非通用模板
- 基于 YOUR 测试标准包含测试
- 创建包含完整实现的 MR/PR
- 自动审查
- MR 分析器对照标准进行检查
- 验证架构合规性
- 对偏离之处发表评论
- 你第一次看到的代码就已完成 90%
查看详细架构 →
超越向量搜索
向量搜索擅长回答“我们通常怎么做这件事?”它无法可靠地回答“如果我改动这个函数,会破坏什么?”,而且单靠它本身也无法阻止个人数据进入模型的上下文。为此,OutcomeOps 增加了两个层次。
AI 辅助开发的上下文工程 OSS GitHub 仓库
精确答案的符号图。在生成代码地图时,OutcomeOps 会将每个定义、调用、导入和接口实现提取到存储在 DynamoDB 中的符号图中。结构性问题从图中回答,而不是从文本相似度:
- 某个符号的调用者、导入者、实现者和定义,每个都带有文件路径和行号
- 引用跨仓库解析,因此另一个仓库中的消费者,或被授予访问权限的工作区中的消费者,也会被找到(ADR-055、ADR-056)
- 拉取请求破坏性变更检查使用它来列出被更改符号的每个消费者
- 聊天、代码生成和 PR 审查在向量搜索的同时查询该图,相同的查找也可作为 MCP 工具使用(find_callers、find_importers、find_implementers、find_definitions)
- 当没有调用者时,答案是一个空列表,而不是猜测
摄取时的 PII 脱敏。在文档被嵌入之前,Amazon Comprehend DetectPiiEntities 会在你的 AWS 账户内运行,并将姓名、社会安全号码、电话号码、账号和其他个人标识符替换为 [REDACTED:TYPE] 占位符。向量存储,以及检索到提示中的每个块,只保存脱敏后的文本(ADR-051)。
- 开发者需要的技术标识符(URL、IP 地址、MAC 地址、时间戳)默认保留;跳过列表是 pii_redaction_skip_types tfvar
- 每个工作区默认都是 STRICT。管理员可以将某个工作区设置为 NONE(例如 HR 或支持内容,脱敏会破坏其目的),该更改会连同旧模式和新模式写入审计日志
- pii_redaction_enabled 是组织范围的终止开关
- 启用 audit_stream_export_enabled 后,审计日志会作为 OCSF v1.3.0 事件通过 Kinesis 流式传输到你的 SIEM
- 你的 S3 桶中的原始源副本被有意保持未脱敏,因此 read_source 和代码生成基于真实代码工作
开始使用
先决条件:
- 包含一些代码的 GitHub 仓库
- AWS 账户(用于 Lambda 部署)
- ADR 或架构文档(或者我们会帮助你创建)
- 已安装 AWS CLI v2、Terraform 1.5+ 和 Docker
- 查看入门指南了解完整的先决条件列表(VPC、域名/证书、Azure AD)
准备好开始了吗?
OutcomeOps 是 Apache License 2.0 下的开源项目。克隆该仓库并将其部署到你自己的 AWS 账户中,无需许可证或注册。
首次部署大约需要 30 到 45 分钟(大部分时间用于构建 Lambda 层和容器镜像,参见入门指南):
- 将基础设施部署到你的 AWS 账户
- 配置 GitHub webhook
- 创建带有 "approved-for-generation" 标签的测试 issue
- 观看 OutcomeOps 在约 15 分钟内生成一个 PR
不熟悉 ADR?从这里开始 →
OutcomeOps 与其他 AI 编码工具对比
GitHub Copilot / Cursor:自动补全和聊天,但没有组织上下文。生成通用代码,需要手动调整以符合你的标准。
Devin:用于任务的自主代理,但不了解你的模式。仍然生成需要重构以匹配你约定的代码。
ChatGPT / Claude(独立使用):功能强大,但每次都需要粘贴上下文。不可扩展。与你的代码库没有集成。
OutcomeOps:摄取你的 ADR、你的模式、你的标准。AI 生成的代码已经符合你的组织。审查结果,而不是语法。
谁构建了它
OutcomeOps 由 Brian Carpio 创建,他此前构建了:
- Golden Pipelines(2014)- 在 Aetna 将部署从 6 周缩短到 1 周
- AWS ProServe - 领导了 ProServe 历史上最大的医疗与生命科学项目
- 平台工程 - 在它还没有名字之前,就在 Pearson(2012)、Aetna(2014)、Comcast(2018)构建自助式基础设施
OutcomeOps 将相同的套路应用于 AI 辅助开发:
- 让容易的路径成为正确的路径
- 将标准固化到基础设施中
- 通过自动化创造速度
- 这是用于代码生成的黄金管道
阅读完整故事 →
文档
入门指南
OutcomeOps:AI 辅助开发的上下文工程开源 GitHub 仓库
- 入门指南 - 先决条件、环境配置、初始步骤
- ADR 入门 - 了解架构决策记录
核心文档
- 架构概览 - 系统设计与数据流
- 技术参考 - 详细技术文档
- CLI 使用指南 - 使用 outcome-ops-assist CLI
- 部署指南 - 运维与故障排查
集成
- OutcomeOps MCP Server - 连接 Claude Code、VS Code 及其他 MCP 客户端
- SonarQube MCP Server - 通过 MCP 提供代码质量与安全工具
- AI 披露弹窗 - 使用前的 AI 透明告知,满足监管合规要求
Lambda 文档
- Lambda:查询知识库 - RAG 编排器(向量检索 + 重排序 + 答案生成)
- Lambda:询问 Claude - RAG 答案生成
- Lambda:生成代码 - 基于 issue 的 AI 代码生成
- Lambda:分析 PR - PR 分析编排
- Lambda:处理 PR 检查 - PR 检查工作器
- Lambda:运行测试 - 为生成的分支执行 make test
架构决策记录
- ADR-001:创建 ADR - 如何记录架构决策
- ADR 模板 - 新 ADR 的模板
面向开发者
- Claude 指南 - AI 助手开发最佳实践
- 背景故事 - OutcomeOps 为何存在
资源
准备好部署 OutcomeOps 了吗?
- 了解方法论 - 理解 OutcomeOps 方法
- YouTube 频道 - 演示与操作讲解
- 学习 ADR - 初次接触架构决策记录?
- 技术文档 - 部署与实施指南
- 参与贡献 - 如何加入
- 问题与支持 - 提交 issue 或 discussion
为工程效率而构建。
成果驱动的开发。基础设施即代码。由 AI 实现的工程成果。你的愿景,自动化执行。