O'Reilly 观察:用编码代理造项目的软件工厂

内容管家 AI领域评论5字数 5443阅读18分8秒阅读模式

围绕 AI 写代码,行业的注意力越来越多地被各种新标签吸走:提示词工程、上下文工程、harness 工程,然后是循环工程、图工程。标签一个接一个,但真正决定软件能不能持续、稳定交付的,依然是流程本身。

一位在编码代理(coding agent)出现之前就有七年多经验的软件工程师,提出了一个更务实的框架:软件工厂(software factory)。它不关心某个概念该怎么命名,只关心原始需求如何进去、成品软件如何出来,以及人在哪几个关口不可替代。

作者并不喜欢"氛围编程(vibe coding)"这个概念,但他清楚地划出了一条线:靠提示词随手生成能跑的代码,和用编码代理生成干净、可维护的代码,是两件事。而这条线的落点,恰好就是软件工厂。

三个月前,作者动手做了自己的工厂——开源项目 Squid,目标是让 Decoding AI 的所有中小型项目在尽量少的人工干预下完成交付。结果第一版"过度设计",他自己后来都不用了。

在反思这段经历时,他提出了一个尖锐的观察(写于 2026 年 7 月):人们热衷于定义"什么才算一个循环",却没有在思考真正把软件交付出去的流程是什么。Anthropic 负责 Claude Code 的 Boris Cherny 说过 “我的工作就是编写循环”,这些术语本身并没错,错的是我们把几年前就开始凭直觉做的事反复过度解释。图工程尤其像是对 2024 年 LangGraph 时代以来团队实践的理论化复述——理论没错,却难以落地成可执行的动作。

真正对口的框架是软件工厂。它也是 AI Engineer World's Fair 2026 的核心议题之一:Factory.ai 负责增长的 Tereza Tížková 将其定义为 用自主性开发软件的完整生命周期。

软件工厂的设计:八个阶段,三段流水线

和实体工厂一样,软件工厂的目标是以极少的人工输入完成软件生产:原始输入(bug 报告、功能想法、线上事故)进去,交付完成的软件出来。它需要少数几个高手在关键节点做高杠杆决策,以及一道道不给人类审批就无法通过的关卡(gate)。

这一思路正在成为行业共识。Factory.ai 把它描述为"一套能自我改进的软件开发生命周期(SDLC)系统";Addy Osmani 把技术栈拆成 loop、harness、factory 三层,循环是原子,而工厂是 由循环构成的组织架构图;Warp CEO Zach Lloyd 则直接断言,软件工程将变成"工厂工程"。

Colorful geometric illustration of a dashboard featuring a central radar screen surrounded by bar charts and interface controls.

整个工厂由八个阶段组成,可以归入三段:

1. 决定做什么(What to build)

  • Triage / intake(分流与收件):对涌入的工作做分类、去重和路由。
  • Brainstorming(头脑风暴):结合市场分析、用户数据和技术调研,找出高价值功能。
  • Planning(规划):八个阶段中最关键的一环。它把调研结果打磨成一份成型的方案,并通过"让智能体反问你"来反复修正;所有决策记录在 ADR(架构决策记录)日志和术语表里。

这一阶段的产物是"有文档支撑的工单"——足以让一组智能体照着实现,可以放在普通文件里,也可以同步到 GitHub Issues、Linear 或 Notion。规划时智能体运行在只读模式:通读代码、AGENTS.md 文件,以及最关键的上下文层。

2. 真正构建与检查

  • Implementing(实现):软件工程师智能体与 QA 智能体组成循环,按任务和支撑文档推进。
  • Review(评审):对照产品、架构和代码规范检查 PR 的 diff。
  • Review-CI(评审与 CI):跑测试套件,失败即触发修复智能体。
  • Release(发布):完成到预发布/生产环境的持续交付,并保留人工部署检查。

3. 自我改进

Monitor / incident response(监控与事故响应)把生产环境的信号——告警、错误、事故——重新送回分流环节,作为"下一步该做什么"的新输入,从而闭合整个循环。

给团队的启示:这段流水线真正的门槛不在代码量,而在三件事——分流标准是否写死、评审是否真的对标了规范和架构、发布前是否保留了人类检查点。先把这几个关口收紧,再考虑扩阶段。

上下文层:工厂真正的燃料

上下文层与上述八个阶段正交,但尤其重要,因为它站在最前面。

头脑风暴阶段的上限,取决于它能看到什么:用户分析、竞品分析、调研材料、访谈记录和文档。上下文层薄弱,探索空间就会被直接压缩。规划阶段同理——把一个原始想法转化为技术规格和任务清单,很大程度上取决于上下文层里的样例质量。作者给了一个很具体的例子:如果你要实现一个新产品推荐功能,但手上一个样例都没有,LLM 只会预测最常见、最省事的做法,而那通常不是最适合你产品的方案。

上下文的组织方式也在演进。Andrej Karpathy 提出的 LLM Wiki 是一种颇受欢迎的做法:不引入数据库,直接用文件把数据转成结构化知识库。Factory 的 AutoWiki 能把热门代码库转成结构化知识库,让智能体直接查询而不是解析整个仓库;LangChain 近期发布的 OpenWiki 则是用于管理智能体记忆 wiki 的命令行工具。

至于如何把散落各处的资料(Obsidian、Readwise、Google Drive)真正变成智能体可用的记忆,作者在另一篇文章里做了完整拆解。

那么,人应该待在哪里?这才是这套框架里最关键、也最容易被"全自动"叙事掩盖的问题:哪些环节必须由人拍板,哪些环节一旦自动化下去,制造的就不是价值而是摩擦。

人负责前两站:Brainstorm 与 Plan

Brainstorm:品味所在

头脑风暴阶段,agent 承担脏活:分析用户行为、扫描竞品的助手实现、把调研资料拉进知识库。接着由技术团队成员来看数据,弄清楚用户为什么不点推荐,研究竞品是怎么落地的,然后以一份功能规格(feature spec)提出修复方案。

这一阶段的关键是:规格只解决业务问题,不必提前指定技术实现。

Plan:把功能规格变成可执行的计划

计划阶段,人在软件工厂的辅助下把功能规格转成实现计划。假设这次要改推荐引擎的算法:人和知识库对话判断可行性,推敲架构、接口、数据流、成本和延迟;然后让 agent 扫代码库,并不断追问、逼问,把计划打磨到真正贴合现有代码库为止。

产出物是一批 ticket,外加一份解释算法改动的 ADR,以及术语表(glossary)的更新。

在这两个阶段里,agent 能帮忙快速扫过大量数据、改进计划质量,但人始终是核心。

模型搭配:把最强的模型放在最前面

规划阶段建议直接用最强模型(Fable)。这两个阶段消耗的 token 远少于实现本身,但下游的一切都建立在它们之上——一份好计划能让更便宜的模型(Opus、Sonnet)直接执行,不必自己推理着绕进死胡同;一份烂计划则会让它们反复重试,直到多花出去的 token 把价差抹平。

作者亲眼见过这种情况:同一个任务、同一份弱计划,Sonnet 开着高推理档位反而比 Opus 更贵——小模型需要更多次尝试才能抵达同一目标。总成本是 token 数 × 单价,而不是模型档位;失败次数越多,推理越多、token 越多、成本越高。

Loop 与 Graph:实现、评审与自动化闭环

Implement(实现) 启动一个软件工程师 agent,逐个领取已经就绪的 ticket。由于这个循环的粒度是单个 feature,它只会取走与该 feature 关联的那些 ticket。每实现完一个 ticket,就由 QA agent 通过对应用例做压力测试来找 bug。

这里有个容易忽略的细节:agent 对自己的作品天然有正面偏见,所以软件工程师 agent 和 QA agent 必须分开。Addy Osmani 的说法很形象——写代码的模型在给自己的作业打分时「过于 nice 了」。在个人规模下,这个循环可以简单到几个终端各自拉 ticket;规模更大时,则由远程 agent 7×24 小时运转。

闭环成立的前提是 agent 能操作应用。 QA agent 需要有一条命令能可复现地拉起整个技术栈,之后才能在浏览器里驱动应用、调用数据或微调管线、直连服务端 API。你的应用无论以什么形式暴露接口,agent 都需要像真实用户一样访问它。

关键思路是把反馈回路尽可能原生地织进软件工厂,并且按运行成本分层:linting、单元测试、集成测试、端到端测试。循环反复失败时,根因几乎总是「管道缺失(missing plumbing)」,而不是 agent 不行。

Review(评审) 分三步:

  1. 产品与架构一致性 —— 把需求与 ticket、ADR 对照检查,任何偏差都会变成一张新 ticket,退回 implement 循环。
  2. 代码质量 —— 检查模块化、命名,拦住「AI slop」式的产物,例如冗长注释或含义不明的函数名。
  3. CI/CD 流水线 —— 检查流水线本身。

三步中的任何一处失败,都会自动创建任务,被软件 agent 领走。

并非每个项目都需要三步全开。工厂的终点是一个 PR,最终仍要由你来评审和合并;但实际上,只要前期花了足够力气打磨出一份强计划,送到你面前的 PR 通常已经可以直接发布。

Flowchart comparing two AI workflows: A strong model creating a well-written plan allows a cheap model to execute using fewer tokens to ship a feature, whereas a weak or missing plan causes the cheap model to use excessive tokens, resulting in a shipped feature at a higher total cost.

所以人到底站在哪里? 在头脑风暴和计划阶段你不可或缺,最终验收时你还会回来;中间的环节归 agent 所有。OpenAI 把这个分工推到了极端:五个月里约 100 万行代码、约 1500 个合并 PR,手写代码为零,他们的表述是「Humans steer. Agents execute.」(OpenAI: harness engineering)

别把工厂建过头

作者做第一版 Squid(也就是他自己的软件工厂)时,贪心追求完全自治:大型远程工作流、并行 agent、一条端到端跑通的大流水线。它确实跑起来了,直到某次偏离脚本——这种事通常都会发生。问题在于他无法调试、无法中途叫停、也无法在不带废弃整轮运行的前提下改变方向。那是个把他自己挤出循环的大单体,而他控制不了它。

结论是需要同时提供两种入口:

  • 颗粒化命令:逐条拷问计划、实现单个任务、只评审某一个步骤。
  • 端到端命令:当你愿意交给 agent 7×24 小时自治时,把前面那些小命令串成一张完整的自治图谱,例如一个大号的 /plan 和 /implement-review-all。

本质上,每一步是一个「loop」,整条流水线则是软件工厂的「graph」。注意规划和其余环节被刻意拆成了两条不同的命令——因为规划是、也将始终是 human-driven 的(至少在你想让结果贴合真实意图的前提下是这样)。

底线是:你必须随时能介入、叫停、改道、打断,同时保留「完全自治」这个选项。

至于瓶颈——瓶颈就是作者本人,而且这是刻意设计的。坦率地说,AI 编码 agent 兴起之后他基本都独自开发,他并不理解那些「并行交付 100 个 feature」的人在做什么。他的多数 feature(就单个项目而言)彼此依赖,根本无法并行;随着项目变大,确实能找出越来越多相互独立的 feature 并行推进,但他依然认为这个数量是有限的。

在软件工厂(software factory)成为主流组织方式之前,多数团队真正需要的并不是全天候在线的远程 agent 集群,而是一套贴合自身流程、从小处起步的自动化实践。判断该不该上多大规模的自建,关键不在技术堆叠,而在团队是否已经准备好承接随之而来的管理成本。

自动化必须自己挣到位置

并行开发时,作者只用本地 agent,每个 agent 跑在通过 work tree 隔离的代码库里。到目前为止,他并不觉得需要 24/7 运行的远程 agent,也不想承担管理它们的额外开销。

大团队可以论证出更多自动化的必要性,但这份必要性同样得靠自己挣来。和任何软件产品一样:先从最耗时的瓶颈开始自动化,等大家用顺手了再逐步增加复杂度。真实教训是——不要一上来就搞大型改造,像 Squid 那种"软件工厂"实验其实是他自己踩过的坑:Squid 是他用来实现全部个人项目的工具。

自建还是采购:分界线在"谁来盯着"

几乎所有场景都要从现成的 coding harness 起步。厂商锁定型的主流选择是 Claude Code 和 Codex;走开源路线则可以选 OpenCode 或 Pi,后两者凭借极简、可扩展的架构被广泛采用,也方便在其上继续搭建。

但"选出一个 harness"和"知道怎么配置它、怎么把它接进自己的软件工厂"是两回事。所以每个人至少需要直觉性理解 coding agent 的底层运作:跑在终端里的 agent loop、迁移到远端运行时会有哪些变化、你如何评估它的效果,以及哪些上下文工程(context engineering)策略能在不让 agent 变笨的前提下压住成本。想从零动手构建 coding agent,GitHub 上有一个 从零构建 coding agent 的开源课程 可供参考;即便不打算自建 harness,这种直觉也是成为高级用户的前提。

对小团队来说,在 coding harness 之上定义一组 skills 和 agents(也就是你的"软件工厂"),把团队流程编码进去,就足以走得非常远。已经有现成的同类实现,例如 Matt Pocock 的 skills 仓库 和 BMad method,本质上都是靠 .md 文件定义的 skills 与 agents 驱动的软件工厂。

但要记住:工厂的核心是流程,而不是工具。一套不贴合团队既有工作方式的工厂只会制造摩擦,最终无法被采用,等于没用。

什么时候该跨过"采购"这条线

判断标准很清晰:一旦开始由你无法亲自监督的工程师来运行 agent,你就跨过了这条线。可观测性、链路追踪(tracing)、成本追踪和按 token 计费都不再是可选项,而会变成某个人全职的工作内容。把 agent 集群接进 Linear、Slack 和 CI、横跨分布式基础设施,那是一场地狱级的后勤运维,不是你的产品该操心的事。

这时才值得考虑现成方案,例如自带 Droid agent 的 Factory.ai 或 Warp 的 Oz。正如 Warp CEO Zach Lloyd 所说:工厂的大部分并不一定是一套新界面,而是对人们既有工作流的整合(原文链接)。

另一端则是跨回自建:当平台施加的限制成本,已经超过替换它所需投入的团队规模时,自建重新划算。OpenAI 关于用 Codex 构建产品的报告正是这类情况的例证。

结论可以概括成一句话:规模最小的团队自建,中等规模采购,最大规模又回到自建。

影响与建议

"_____ engineering"这类新术语每季度都在被创造出来,但真正用来产出代码的软件工程流程并不会因此频繁改变。所以,保持开放心态的同时,把注意力放在可落地的结果上,而不是纠结该给这堆实践贴什么标签。

Zach Lloyd 的建议很直接:找出你工作里"最烦人的那一部分",为它构建一个能跑通的最小闭环。

现实是,软件工厂仍处在很早的阶段,远谈不上完美,更别说"完全自主"。当有人说自己已经解决了软件工厂问题时,要么是测试得还不够充分,要么是在向你推销。可以确信的是,软件开发全生命周期(除头脑风暴与规划之外)终将被自动化,但眼下整个行业仍在摸索阶段。

编码代理的"造法"与"记忆":两条值得跟进的实践路线

在智能体从演示走向生产的这两年里,有两个问题被反复讨论:智能体到底该怎么"造"出来,以及它在运行中到底该记住什么。本期整理的两份资料,正好各自正面回答了其中一个。

过去一年里,围绕编码代理的讨论大多停留在效果展示层面:某个工具能修好多少个 bug、能独立完成多少个任务。但对真正要把它塞进自己工程流程的团队来说,这些演示回答不了几个更关键的问题——代理的循环是怎么写出来的?工具调用失败时它靠什么重试?上下文窗口之外的东西它怎么保留?

《Building a Coding Agent from Scratch》选择了一条最直接的路:把智能体拆成可读、可改、可复现的工程组件,以公开课程仓库的形式公开出来。读者拿到的不只是一段结论,而是一套可以逐层读、逐层改的代码路径。这对正在自建编码代理、或者想把代理接入内部研发流程的团队来说,价值往往比一篇"最佳实践清单"更大——清单告诉你该做什么,代码告诉你为什么这么做才成立。

核心变化:把 wiki 当成"活"的记忆层

另一份文章处理的是运行时的记忆问题。它的核心主张是:LLM 所维护的 wiki 式知识库,本身就可以充当 AI 代理的活体记忆(living memory)——不是被检索一次就丢弃的静态资料,而是随交互持续增补、持续修订的长期载体。

这个视角值得注意的地方在于它对"记忆"的重新定义。传统检索增强的思路里,知识库是外部静态资产,模型是查询者;而活体记忆的思路里,知识库是代理工作过程的产物,模型既是使用者也是维护者。随着代理在真实任务中跑得越久,这份记忆的分辨率就越高。

需要说明的是:这两份材料属于教程与观点文章,不是产品发布或版本更新,其具体实现细节仍需回到原文核对。

影响与建议

如果团队正在自建编码代理:把这份课程当作工程蓝本而非教程来读——重点看它如何划分代理循环的边界、如何处理错误与重试、如何组织提示词与工具描述。把它当作内部原型的起点和新人上手的培训材料,都比从零自研更省时间。

如果团队在做智能体的记忆层:值得把"wiki 作为记忆载体"这条路线纳入评估清单,与向量检索、结构化记忆等方案并列对比,看它在长期任务中的维护成本与召回质量究竟如何,而不是默认沿用现有方案。

对关注智能体落地节奏的读者:这两条路线合起来透露出同一个信号——竞争焦点正从"模型本身有多强"转向"工程侧怎么把模型组织成可靠的长期协作者"。训练过程和运行时记忆,正在成为同等重要的两个抓手。

延伸阅读

 
内容管家

发表评论