12个月前,没有人理解我们为什么要构建Agentic SDLC。现在感觉所有人都在朝同一个方向前进。
摘要
Overcut的创始人回顾了行业从聚焦AI代码生成转向协调多个智能体进行软件开发的转变,并预测Agentic SDLC编排平台将成为下一个重要类别。
我是Overcut的联合创始人,所以请以适当的怀疑态度看待以下内容,但我亲眼目睹了过去一年这个市场变化之快。当我们开始构建Overcut时,大多数对话都以某种形式结束:“我已经有了Claude、Cursor、GitHub Copilot或任何最新的编码智能体,为什么还需要它?”当时,这是一个完全合理的问题。行业专注于代码生成,大多数人通过单个智能体帮助单个开发者更快编写代码的视角来评估AI。我们当时相信,并且也正是这个信念促使我们创立公司的是,真正的挑战最终将超越代码生成本身。编写代码只是软件开发中的一个步骤,一旦智能体在该步骤上变得足够好,接下来的一系列问题就会变得更加重要。大约六个月前,我们开始注意到一个转变。一些与我们交谈的先进团队不再询问如何让智能体编写代码。他们正在试图弄明白如何协调多个智能体,如何将它们连接到工程系统,如何管理审批和治理,如何追踪已发生的事情,如何在多个仓库和团队中运作,以及如何让这一切在一个真正的工程组织内工作。许多人都在尝试自己构建这些能力。快进到今天,感觉整个市场正汇聚到同一个认识上。每周都有关于托管智能体、软件工厂、工程智能体、自主工作流、编码自动化和智能体团队的新公告。名称不同,方向相同。对话不再是“智能体能写代码吗?”,而是变成了“我们如何运营一个智能体负责相当比例工作的软件组织?”我认为,位于智能体之上的那一层——编排、治理、协调、审批、可见性和集成层——下一个重要类别将在此诞生。就像工程团队最终标准化了Git、CI/CD、可观测性和工单系统一样,我认为他们也将围绕Agentic SDLC编排平台实现标准化。在花了一年时间专门与工程组织交流并在此领域构建之后,我们仿佛正在实时目睹软件栈的新层次的形成。很想知道其他人是否也看到了同样的情况,尤其是在大型工程组织内部。
相似文章
传统SDLC vs 智能体SDLC
本文比较了传统软件开发生命周期(SDLC)与新兴的'智能体SDLC'方法,该方法将AI智能体融入软件开发过程。
@sspaeti: 数据工程花了十五年构建编排器——Airflow、Dagster、Prefect、Kestra。现在我们正在做同样的事情…
数据工程多年来一直在构建编排器,如Airflow和Dagster,现在同样的模式正在AI代理中兴起,出现了来自各大公司的Agor、Agent Teams和Omnigent等项目。
@dabit3:大多数编码代理仍停留在SDLC的“编写代码”阶段。AI软件开发的下一阶段正在推进…
AI软件开发的下一阶段将编码代理引入生产环境;Cognition推出Devin Auto-Triage,用于自动化事件响应和PR生成。
经过数月的智能体构建,我改变了关于什么最重要的看法。
作者反思了将AI智能体从原型推向生产环境的挑战,得出结论:可靠的编排和安全保护机制比模型的渐进改进更为关键。
为公司构建 AI Agent
作者分享了在工作中构建代理系统的经验教训,描述了使用巨型提示、过多工具和动态子代理的失败,最终通过固定编排器和针对每个领域的专业子代理取得成功。