缘起

春节期间难得清闲，看着近期火热的 OpenClaw^[1] 几乎一天一个版本的发布节奏，我突然意识到——Apollo^[2] 已经整整一年没发新版本了😂。反思下来，懒确实是首要原因，但更深层次的问题是：Apollo 的发版成本实在太高了。

版本验证：大量手工操作

• 后端代码有单测和集测覆盖，但页面功能还得人工逐个点击验证
• Apollo 支持多种登录方式（Spring Security、LDAP、OIDC），每种都需要手动搭建环境、构造测试数据
• 多种部署模式（Docker、Helm Chart）也要逐一验证

发布流程：繁琐且冗长

• 提炼版本内容撰写 Release Note
• 版本打包、构建镜像、更新 Helm Chart
• PMC 投票
• 撰写版本发布公告

回顾以往的几次发版，一次完整的发布基本需要投入整整 2 天时间。对于用业余时间参与开源社区的贡献者来说，Review Issue 和 PR 还能利用碎片时间，但版本发布这种需要大块时间投入的工作，自然就成了能拖就拖的事情。

我相信大多数开源社区都面临类似的困境——人力投入有限，如果某个环节（比如发版）成本过高，就很难持续坚持。

解药其实很明确：让繁琐的工作尽可能自动化。结合近期 AI 在编程领域的迅猛发展，我越发相信开源社区的日常工作完全能够实现自动化——解答 Issue、Review PR、版本发布，甚至未来实现 Issue to PR，让社区运营真正进入“自动驾驶”模式。于是，我决定以 Apollo 2.5.0 的版本发布为试点，尝试打通版本验证和发版流程的自动化。

成果

和 Codex（gpt-5.3-codex xhigh）进行了 5 天高密度的 Pair Programming（其实主要是“指挥”），消耗了 10 亿 Token，在我没写一行代码的情况下（甚至连打字都很少，全程语音输入），取得了以下阶段性成果。

版本验证自动化

1. 主链路 UI 操作的端到端测试（创建 App/Cluster/Namespace、配置修改/发布/回滚/灰度等），PR #5551^[3]

1. Portal 不同登录方式的集成测试（LDAP、OIDC），PR #5557^[4]

1. Docker 和 Helm Chart 部署的冒烟测试，PR #5558^[5]、PR apolloconfig/apollo-helm-chart#24^[6]

有了这些自动化验证，每次 PR 提交时都会自动执行全链路功能测试，项目时刻保持在可发布状态，自然也就不需要为发版而单独做版本验证了。

发布流程自动化

我借助 Codex 沉淀了 3 个 Release Skill（详见 Apollo 发布指南^[7]），通过自然语言触发 Codex/CC 等 Coding Agent 完成发布流程。在关键动作执行前，Agent 会等待确认（如 Release Note 文案、版本更新 PR 等）。

1. apollo-java-release Skill（发布 apolloconfig/apollo-java）

• 自动完成：版本 Bump PR → 从 CHANGES.md 生成 Release Notes 并创建 Pre-release → 发布 jar 包到 Maven 仓库 → Pre-release 转正式 Release → 发布版本公告 → 更新代码版本到下一个 SNAPSHOT

2. apollo-release Skill（发布 apolloconfig/apollo）

• 自动完成：版本 Bump PR → 从 CHANGES.md 生成 Release Notes 并创建 Pre-release → 打包代码上传 → 发布 Docker 镜像到 Docker Hub → Pre-release 转正式 Release → 发布版本公告 → 更新代码版本到下一个 SNAPSHOT

3. apollo-helm-chart-release Skill（发布 apolloconfig/apollo-helm-chart）

• 自动完成：Chart 版本变更检测与一致性校验 → helm lint / package / repo index → 变更白名单校验 → 生成分支与 Commit 草案

有了这些 Skill，发版真正实现了“无脑操作”：不用为 Release Note 犯愁，不用记忆繁琐的发布步骤。触发 Skill 后，人需要做的就是确认 Agent 的产出物是否 OK（比如 Release Note 内容），过程中可以通过自然语言提出建议和想法，剩下的就是一路点确认。至于 PMC 投票——它原本就是为了人工交叉验证，在自动化能确保版本发布正确性的前提下，这个环节也可以逐步弱化。

感悟

通过这套自动化流程，Apollo 后续的版本发布时长将缩短到 1 小时以内，相比以往 2 个整天的投入，效率提升了至少 10 倍。

但这还不是最让我兴奋的。最近每天指挥 Codex 干活，让我对 AI Coding 有了全新的认识：

过去，我认为 AI 主要是帮我们做脏活累活，把繁杂工作自动化。比如 Apollo 社区呼声很高的升级 Spring Boot 3.x（是的，Codex 已经做完了，下个版本发，PR #5555^[8]）。

但现在，我意识到 AI Coding 真正的价值在于极大地扩展个人的能力边界。以这次的版本验证自动化为例：

• UI 端到端测试和 LDAP、OIDC 自动化集成——我知道有解决方案，但之前没做过，现学现做可能要半个月。AI 帮我省下了这些时间，这还属于 “我知道自己不知道”的范畴（Known-Unknowns）。
• Helm Chart 部署的冒烟测试——我原以为 Codex 会给我写一堆脚本，在我本地执行 K8s 部署，再拉起 MySQL 和 Apollo 验证。结果看到它写出来的 yml 文件，我惊呆了：原来 GitHub Action 拉起的容器里可以部署 K8s（kind）？！还能这么玩？更绝的是，它自己找到并使用了 Apollo 的 sql 文件（我从没提过这个信息），就这么平静地写出了一套 “我不知道自己不知道”的方案（Unknown-Unknowns）。这种惊喜感，正是让我沉浸其中、无法自拔、晚上都睡不好觉的原因。

Codex 就像一个极其专业的 Pair Programmer，和它对话很爽，让我重拾了 Coding 的乐趣。虽然偶尔会有点“降智”（可能是 Context 太长？），但总体非常在线，还不定期带来惊喜。这让我感慨：未来的瓶颈可能在人，而不在 Agent。

几点感悟：

1. 纯 Coding 的工作已经步写作的后尘，成为被 AI 深度掌握的领域——它做得比大多数人都专业，技术门槛大幅下降。
2. 人依然是必需的，但主要提供高阶能力（Taste）：比如要解决什么问题、判断解法是否合适、与实际业务场景的结合等。未来需要的是创造力和想象力——想象一下每个人带 50 个 Agent 干活的场景。
3. 实操层面的经验：
• 复杂工作先开启 Plan Mode，让 AI 做方案设计和计划，再进入编码阶段。
• 构建好环境，让 AI 无障碍调用环境中的工具链（在 Apollo 的例子中是 gh / git / mvn / docker / npm / python / java / helm 等）。
• 构建测试验证集，让 AI 知道自己做得对不对（当然，测试集本身也可以让 AI 来构建）。

展望

1. 算力将成为新的稀缺资源——最近我每天消耗几亿 Token，未来随着应用场景扩大，算力需求还会指数级增长。如果说农业时代的生产资料是土地，工业时代是能源，那么 AI 时代的生产资料就是算力。开源社区的基础设施投入，也可能要从“托管服务器”转向“托管算力”。
2. 项目管理的计量单位从“人天”变成“Token”——当 AI 成为主要劳动力，我们评估一个任务的工作量，可能不再问“这需要几个人干几天”，而是“这需要消耗多少 Token”。项目管理工具里可能会出现“本月剩余 Token 配额”这样的指标，预算也从“人力成本”转向“算力成本”。
3. 开源社区进入“自动驾驶模式”是大概率事件——随着更多 Skills 的沉淀（比如 Apollo 正在积累的 issue-review、issue-to-pr、pr-review 等），社区日常运营的绝大多数环节都可以交给 AI 代理。贡献者将更多地扮演“产品经理”和“架构师”的角色：定义问题、评审方案、把握方向，而不是陷在具体执行里。想象一下：一个 PR 提交后，AI 自动 Review、触发测试、提供修改建议；一个 Issue 被提出后，AI 自动分析、生成代码、提交 PR——人只需要在关键节点做确认。这不再是科幻，而是正在发生的现实。

开源社区的“自动驾驶”时代，正在加速到来。