背景介绍
随着Qoder产品家族规模扩大及用户量增长，用户反馈量持续攀升。此前反馈处理完全依赖人工：运营需从渠道导出Excel数据，经清洗分类后录入系统，研发再人工分析日志定位问题。
该流程存在明显瓶颈：运营陷于重复的问题录入与分派工作，研发人工分析单个问题耗时超30分钟。反馈量激增导致大量积压，亟需突破人力限制。
核心目标明确：构建7×24小时无人值守用户反馈自动处理系统，实现从反馈提交到问题分类、聚类、日志分析乃至代码修复的全流程自动化，仅需人工终审Code Review。
产品方案
新设计的issue处理后台包含四大核心模块，形成端到端处理流水线：
问题分类：自动过滤无效数据，将有效反馈分为产品建议与缺陷反馈，并细化缺陷业务领域。取代人工分类录入环节。
问题聚类：对相似问题智能聚合，避免同一缺陷的多条反馈重复处理，提升分析效率。
日志分析：针对深度缺陷，结合代码库自动分析日志、还原用户操作路径、定位根因并生成修复建议，消除人工日志排查环节。
自动修复：对高置信度问题自动生成修复代码并创建Code Review，人工仅需最终评审。
人机协作边界清晰：分类、聚类、分析环节完全自动化；代码修复由系统执行，人工把控质量关。系统负责吞吐量，人聚焦质量验证。
技术实现
为什么选Qoder CLI
整套AI能力层基于Qoder CLI构建，核心优势在于：
适配7×24小时持续运行场景，进程隔离与并发处理能力突出
封装工具调用、上下文管理等基础设施代码，无需自行开发重试逻辑
环境准备
服务端Dockerfile中添加安装指令：
RUN curl -fsSL https://qoder.com/install | bash将https://qoder.com/account/integrations获取的Access Token配置至环境变量QODER_PERSONAL_ACCESS_TOKEN，即可通过子进程调用。核心参数包括：
--yolo：自动确认模式--model：按需选用经济型/性能型模型--output-format=json：结构化输出--worktree：隔离多任务工作区--max-turns：限制处理轮次防无限循环
问题分类
Qoder CLI执行四步处理：
过滤无效反馈
区分产品建议与缺陷反馈
验证缺陷有效性
细化缺陷业务类别
此环节选用经济型模型（Effective），显著降低处理成本。
问题聚类
基于分类结果进行语义级聚类，优于传统文本匹配：
调用Auto模型多模态能力，综合分析用户描述、截图及环境信息
动态时间窗口淘汰旧问题，结合衰减系数提升聚类精准度
通过置信度阈值动态调优聚类效果，支持人工抽样复核
日志分析与根因定位
启用性能模型执行深度分析：
智能使用grep等工具精准定位日志，规避全量读取导致的性能下降
自主调用web_search验证问题普遍性
任务结束生成
task-retro.md复盘报告，驱动Skill迭代优化
形成"诊断-修复-复盘"闭环，赋予系统自我进化能力，持续优化Harness Engineering效率。
自动修复
根据AI输出的修复置信度动态触发流程：
高置信度问题自动创建修复代码及Code Review
依赖
--worktree实现多任务并行修复通过
--max-turns 80及timeout 1800双重控制成本上限
问题修复流水线通过Skill体系串联执行：
系统自身的运维闭环
建立任务失败自愈机制：
通过
qodercli -p "任务修复指令"触发自动诊断devops Skill预置日志获取、错误模式及部署逻辑
实施机械化质量验证管道，保障修复质量
模型选用经验：
复杂任务必用强模型：根因分析等深度推理任务使用SOTA模型可避免无效尝试
简单任务适配轻量模型：分类聚类等基础任务经济型模型更快更准
实践形成按环节匹配模型策略：分类聚类→经济型，日志分析→性能型，代码修复→极致型。
实际效果
系统实现质效飞跃：
单问题根因定位时间从30分钟缩短至2分钟
7×24小时无间断运行，彻底释放运营的人工分类及研发的日志分析工作量
通过持续Self-retro机制，系统在运行中不断优化Skill，形成正向进化循环
该实践为Harness Engineering场景提供可复用的自动反馈处理范式，助力企业构建自成长的技术闭环。