Coinbase、Shopify 和 Ramp 都构建了自己的编程代理，但三家仍向 Anthropic 付费。

# Coinbase、Shopify 和 Ramp 都构建了自己的编码代理，但三家公司仍然在使用 Anthropic 来源：https://thenewstack.io/enterprise-ai-agent-harness/ **企业工程团队正在**围绕 AI 辅助软件开发收敛到一种通用架构。Coinbase、Shopify 和 Ramp 各自为开发人员构建了内部编码代理。然而，这些内部构建的代理都没有取代 Claude Code（https://thenewstack.io/claude-code-vs-cursor-vs-codex-vs-antigravity-2026/）、Codex 或 Cursor 等商业工具。 这使得这不再是一个构建与购买的问题，而是一个架构问题。 这些公司选择拥有的层次并不是大语言模型，而是代理编排层（agent harness）——即提供上下文、权限、工作流编排、工具访问和验证的执行环境。来自 Anthropic、OpenAI 和 Google 的前沿模型继续提供推理引擎，而企业越来越多地拥有其外围的一切。 > 来自 Anthropic、OpenAI 和 Google 的前沿模型继续提供推理引擎，而企业越来越多地拥有其外围的一切。 LangChain 最近承认这种架构已经变得可复制，它将 Open SWE（https://github.com/langchain-ai/open-swe）开源，并将其描述为已在 Stripe、Ramp 和 Coinbase 内部部署的同一模式的公开实现。 ## 竞争优势在模型之外 尽管 Forge、River 和 Inspect 是独立开发的，但它们解决的问题惊人地相似。 Coinbase 的 Forge（https://linear.app/customers/coinbase）将 Slack、GitHub 和 Linear 集成到一个工作流中，可以在最少开发人员干预的情况下将错误报告转换为拉取请求。一旦发现问题，Forge 会检索所需的仓库上下文、生成代码、验证更改，甚至生成移动构建供审查。 Shopify 的 River（https://shopify.engineering/under-the-river）遵循相同的架构方法。该公司将其成功很大程度上归功于底层开发平台，而不是代理本身。River 运行在一个可复现的工程环境之上，该环境由公司级 monorepo、持久执行会话、沙箱环境、凭据管理和可复用的工程技能支持。Shopify 报告称，River 目前参与了每八个合并的拉取请求中的一个。 > Shopify 报告称，River 目前参与了每八个合并的拉取请求中的一个。 Ramp 的 Inspect（https://engineering.ramp.com/post/why-we-built-our-background-agent）进一步扩展了这一模式，在紧密镜像开发人员本地环境的沙箱虚拟机中执行。该平台与 Datadog、Sentry、LaunchDarkly、Buildkite 和其他工程系统集成，同时保持模型无关。Inspect 支持多种前沿模型，以及 MCP（https://modelcontextprotocol.io/）服务器、自定义工具和专有工作流。 尽管实现方式不同，这三个平台都收敛到相同的架构：持久执行环境、对企业系统的安全访问、工作流编排，以及在代码进入生产环境之前的自动化验证。 ## 企业正在将编排层内部化 这与过去十年内部开发者平台发生的情况类似。 在采用 AWS 或 Azure 之后，很少有企业构建自己的云基础设施。相反，他们在公共云服务之上构建了有主见的平台，以标准化部署流水线、安全策略和运维实践。 同样的模式现在正围绕 AI 出现。 语言模型变成了另一个基础设施依赖项，而企业拥有的编排层决定了如何应用这种智能。路由请求、执行权限、注入组织上下文、运行工具和验证结果成为平台的责任，而不是模型提供商的责任。 因此，模型选择成为配置选项，而不是由个别开发人员做出的工作流决策。 ## 成本优化成为平台能力 Coinbase 的经验说明了为什么企业越来越希望控制这一层。 根据 Coinbase 钱包和 AI 工程生产工程高级总监 Chintan Turakhia（http://linkedin.com/in/chintanturakhia）的说法，该公司的基础设施现在处理的 token 数量比以前更多，同时总支出却在下降。 Coinbase 联合创始人兼首席执行官 Brian Armstrong（https://www.linkedin.com/in/barmstrong/）将这一改进归因于多种架构优化，而不是单一的突破。Coinbase 引入了智能路由、更低成本的默认模型、提示缓存、更小的上下文窗口，以及更好的 AI 支出可见性。该公司还试验了 GLM 5.2 和 Kimi K2.7 等开放权重模型。 这些优化之所以可能，是因为 Coinbase 拥有位于开发人员和基础模型之间的网关。 平台团队无需要求数千名工程师切换工具，就可以集中更新路由策略。模型升级、价格变化和实验成为基础设施操作，而不是全组织范围的迁移。 ## 商业编码助手仍然有一席之地 拥有编排层并没有消除对商业编码助手的需求。 Claude Code 仍然是 Coinbase 工程师中使用最广泛的 AI 编码助手，与 Forge 并列。Shopify 开发人员除了使用 River 之外，还继续使用 Claude Code 和 Codex。Anthropic 还将 Ramp 列为其企业客户（https://www.anthropic.com/customers/ramp），该公司的工程团队中近一半每周使用 Claude Code。 新兴的职责划分正变得越来越清晰。 内部代理主要处理异步工程工作流，这些工作流始于 Slack 或问题跟踪器，与内部系统交互，并根据生产遥测数据验证更改。 商业助手继续主导交互式开发会话，在这些会话中，开发人员直接在编辑器或终端中工作。 这两种方法并不是相互替代，而是互补不同的工程工作流。 ## 平台所有权比模型所有权更重要 对大多数企业来说，问题不再是构建还是购买 AI 编码助手。 更重要的决策是是否拥有位于开发人员和基础模型之间的编排层。 拥有成熟平台工程团队的组织有理由投资于专有编排层，因为他们可以获得集中治理、模型可移植性、安全执行和成本优化。较小的工程组织可能继续主要依赖商业工具，由供应商承担运营复杂性。 这反映了云平台的演进，企业选择性地构建更高级别的抽象，而不试图取代底层基础设施提供商。 ## AI 经济学仍然不可预测 拥有编排层并不能消除基础设施成本。 Walmart 最近在需求量超过可用预算后，为其内部编码助手引入了使用限制（https://www.bloomberg.com/news/articles/2026-06-01/walmart-caps-usage-of-an-ai-tool-for-employees-after-high-demand）。今年早些时候，Uber 在四个月内耗尽了（https://www.forbes.com/sites/janakirammsv/2026/05/17/uber-burns-its-2026-ai-budget-in-four-months-on-claude-code/）其年度 AI 编码预算，而 GitHub Copilot 已转向（https://thenewstack.io/microsoft-copilot-token-budgets/）基于使用的信用和开发者配额模式。 斯坦福大学和微软研究院最近的研究（https://arxiv.org/abs/2604.22750）有助于解释为什么这些成本难以预测。他们对智能体软件工程任务的分析发现，自主编码工作流消耗的 token 数可能高达交互式代码生成的一千倍。即使是相同的任务，token 消耗也经常表现出数量级的差异，这使得预算制定比传统云基础设施困难得多。 因此，成本优化成为平台层的另一个责任，而不是模型本身的责任。 ## 平台成为战略资产 最重要的架构转变是，企业开始将 AI 代理视为其内部开发者平台（https://thenewstack.io/7-core-elements-of-an-internal-developer-platform/）的一部分。 十年前，组织通过部署流水线、基础设施自动化和平台工程来实现差异化。如今，他们将同样的理念扩展到 AI 辅助软件开发。 语言模型越来越像可互换的基础设施。企业拥有的编排层成为控制平面，管理上下文、安全、执行、验证和经济性。 > 模型提供商将竞相成为他们无法控制的平台内部的首选推理引擎。 如果通用代理运行时和开放协议继续成熟，而企业保持其策略和上下文层的专有性，那么竞争将越来越多地上升到基础模型之上。模型提供商将竞相成为他们无法控制的平台内部的首选推理引擎。 这可能是企业 AI 的决定性架构转变。战略优势在于离开模型本身，转向决定其使用方式、时间和地点的平台。 分组使用 Sketch 创建。