可执行知识：质量提升速度

完整深度文章：可执行知识：为什么在 AI 原生工程中，质量反而提升速度 (enterprise-ai-design)

每个团队都争论过"快点发"还是"好好做"，仿佛这个权衡是自然法则。AI 原生工程团队正在证明它不是。机制在于一次通过率：质量关卡自动化之后，变更更常一次成功，被返工消耗的产能就更少。

今天快 → Bug → Hotfix → Rollback → 重新开发          （感觉快，其实不快）

自动测试 + 自动 Review + 自动部署 + 自动验证
        → 一次通过率更高 → 交付更快                    （真的快）

Quality increases velocity.（质量提升速度。）

知识应当变得可执行

传统知识管道——资深工程师的经验被 Junior 靠耳濡目染慢慢吸收——从来都是有损的。现在它成了硬阻塞：AI Agent 读不了资深工程师的大脑。 它只能读你写下来的东西。

资深工程师
      ↓
编码沉淀：CLAUDE.md → Skills → MCP servers → Prompts
      ↓
AI 在每个任务上、每一次都按这些标准执行

正如 Claude Code 的创造者 Boris Cherny 所说：knowledge should become executable（知识应当变得可执行）。 Wiki 页面对行为的影响是概率性的，编码后的规则对行为的影响是确定性的。

例子：自我强制执行的 API 规范

与其指望新人记住 API 清单上的全部六项，不如写进 CLAUDE.md：

Every REST API must include:
- JWT authentication
- OpenTelemetry tracing
- Structured logging
- Unit tests (>80% coverage)
- Swagger documentation
- Health check endpoint

清单在每次生成时都会被应用——不需要任何人记得。再进一步，让 Review 本身可执行：CLAUDE.md 让 Agent 调用 Architecture Review MCP，工作流变成自我纠正的循环：

生成代码 → 调用 Review MCP → 修复问题 → 重新生成 → 完成

质量保障不再是开发之后的一个阶段，而是代码被生产出来的方式本身的属性——包括深夜 11 点写的代码，而那正是人工 Review 质量崩溃的时刻。

一套基础设施，不是功能列表

CLAUDE.md、Skills、MCP、Hooks、Memory 单看像零散功能，合起来是知识基础设施——对"编码后的团队知识存放在哪里、何时执行"这个问题的不同回答。重点从来不是 AI 替代工程师，而是把你最好的工程师的专业能力变成基础设施，作用于每一行代码，而不只是他们亲手碰过的那些行。

抽象后的栈

这是 Loop Engineering 在质量侧的对应物：

知识 → 可执行知识 → 自动化 → 一致性 → 质量 → 速度

速度在最底部——它是产出。直接追逐速度、砍掉上面那些层的团队，摧毁的正是产生速度的东西。

完整文章——含四论断判断表、强制力论证与延伸阅读——在这里：可执行知识。