软件工厂：从报错到上线，代码不再靠人手写

关联

人物 Davis Palmie

公司 Factory

概念 软件工厂 · 智能体 · 智能体就绪度 · 模型无关 · 古德哈特定律 · 护栏 · 开源模型

Davis Palmie 是 Factory 的技术团队成员，此前联合创办过投资团队智能体平台 Lumetric，也在大型咨询公司带过创新团队。

这段演讲里，他回答了一个很多人关心的问题：当 AI 写的代码比人还多，软件工程师和公司该怎么办？

他的答案是一套他称为软件工厂的系统。

AI 编程经历了哪三个阶段？

Davis 把 AI 编程的演进分成三步。第一步是自动补全，工程师仍然牢牢掌控一切。

第二步，AI 能生成整个文件，工程师变成了一个有判断力的复制粘贴者。

第三步，智能体出现了——它们能自己收集上下文、调用工具、调试自己的输出。

他提醒大家注意 AI 攀登抽象阶梯的速度：从词元到文件，再到上下文，现在是整个系统。

而每次升级，工程师都变得更有价值，而不是更不值钱。

现在正处在转折点：工程师从亲手敲代码，转向管理智能体，最终把这些智能体组织成一个系统——这就是软件工厂。

写代码从来不是瓶颈，真正的瓶颈是什么？

「编码是最容易的部分。」Davis 说，它从来不是瓶颈。真正的痛点在别处：一个代码合并请求的中位审核时间是多久？

复现一个用户报的漏洞要多久？谁来保证文档跟代码同步、跟战略会议同步？谁来维护测试套件？

在很多公司，测试团队、工程团队、产品团队像是各自待在不同的大洲。

如果去拉数据，从代码写完到真正上线的时间，远超写代码本身的时间。

文档过期、死代码堆积、团队之间层层沟通——这些对人类工程师已经够难了，对智能体更是致命。

所以搭建软件工厂的核心任务，是让智能体能打通所有这些环节，理解组织内部的细微信号。

软件工厂到底长什么样？

它是一组智能体，负责从输入信号到生产部署的全流程。

智能体不再只是写代码，它要分拣故障、做计划、创建和更新文档、执行代码、审核、测试、发布上线，然后监控这次发布。

Davis 的建议是别一口吃成胖子。

先从窄而可验证的任务开始，比如故障分拣：让智能体读一条报警，拉取相关的追踪信息，发到 Slack 里，但让工程师来决定下一步。

随着正确诊断越来越多，团队才会逐渐信任这套系统。每个环节都要有明确归属和监控，跑顺了再考虑让整个流水线闭环。

企业最担心的四个问题，怎么回答？

第一个问题：怎么防止成本失控？他的回答是不要锁死在单一模型上，每个任务用够用的最便宜模型。

他引用 Factory 首席执行官的比喻：「如果你孩子需要代数家教，你肯定能找到比爱因斯坦便宜的人。」

第二个问题：怎么保证用上当下最强的模型？

他认为押对一匹马本身就是个伪命题，尤其开源模型越来越强，应该动态路由、按需选择。第三个问题：软件工程师会怎样？

角色会演变，产品和工程的边界在模糊，工程师负责建造和维护这个产出代码的系统，并设定方向。

第四个问题：组织会怎样变？团队边界模糊，信息不能有孤岛——这对人如此，对智能体尤其如此。

软件工厂的三条原则

第一，不绑定模型。他举例说，GPT 5.2 在代码审核上能达到最新 Opus 模型同样的效果，价格只有一半；

开源替代方案能把成本砍到原来的十分之一到三十分之一。

第二，部署模式要自主可控。从全托管到自带机器再到完全物理隔离，公司不该为了迁就 AI 部署而妥协安全架构。

第三，要打通整个软件开发生命周期：

文档变了应该反过来影响代码，规划目标应该决定测试什么，而不是靠战略、产品、工程、测试团队之间的层层传话。

任何一个支柱薄弱，整个系统就薄弱。

怎么判断你的公司准备好了没有？

Factory 有个概念叫智能体就绪度，从八个维度评估：有没有代码检查和格式化工具？构建命令是否文档齐全？

单元测试和集成测试是否完备？有没有说明文档？开发环境能否干净复现？代码是否模块化、边界清晰？

出问题时多久能查到原因？有没有主动做安全扫描、防止密钥泄漏？

Davis 的结论很妙：如果智能体和人类工程师要走同一条路，把路铺好就有双倍价值。

而且搭建工厂的过程本身，会把你组织里的隐性知识、手工流程和过时信息全都暴露出来——解决这些，对人对机器都有好处。

别考核代码量，要考核结果

「衡量结果，而不是词元。」Davis 说，代码行数和生成的词元数都是可以刷的指标，和实际产出没有关系。

大公司搞词元排行榜，只会鼓励挥霍——这是古德哈特定律的现场演绎：

一旦你考核词元用量，工程师就会优化词元用量，它就不再是好指标了。

Factory 推荐的指标是：从信号到上线的时间、人工干预次数、中位修复时间、代码的货架期、每个合并请求的成本。

最终用户不关心你在 AI 上花了多少钱，只关心能不能感受到实实在在的改进。

工程师会被取代吗？

不会。Davis 说得很直接：精确的执行不能弥补糟糕的设计，从来都不能。架构、战略、方向设定，仍然离不开人。

工程师不会被取代，但判断力和优先级排序能力，现在比机械的实现技能更重要。

智能体处理不了一切，总会有护栏要收紧、代码要偏移，人要作为验证关口站在工厂里。

但就像我们不必再往机器里喂打孔卡一样，代码也不必再靠手写。团队设定战略和风险参数，剩下的交给智能体执行。

本集带走

• AI 编程从补全到整个文件再到智能体系统，每次抽象升级都让工程师更值钱，而非被淘汰
• 写代码从来不是瓶颈，审核、复现漏洞、文档同步、团队沟通才是
• 搭建软件工厂要从小而可验证的任务（如故障分拣）开始，逐步建立团队信任，最后才闭环
• 不锁定单一模型，按任务选性价比最高的模型，是控制 AI 成本的关键
• 考核要看结果（上线时间、修复时间、人工干预次数），不要看词元消耗量

曾经，自动补全感觉很有魔力，而现在，往好了说，它只是我们记忆中一种古雅的东西。
Now, autocomplete used to feel magical, and now, at best, it’s a quaint thing we remember.
—— Davis Palmie · [01:32]

但抽象阶梯上的每一次上移都让工程师更有价值，而不是更没价值。
But each move up the abstraction ladder has made engineers more valuable, not less.
—— Davis Palmie · [01:55]

工程师正在从敲代码转向治理智能体。
Engineers are going from typing code to governing agents.
—— Davis Palmie · [02:07]

正如我们 CEO 喜欢说的，如果你的孩子需要一位代数家教，你肯定能找到比 Albert Einstein 便宜的人。
As our CEO likes to say, if your kid needs a algebra tutor, you can definitely find someone cheaper than Albert Einstein.
—— Davis Palmie · [03:29]

嗯，我们认为必须押对马是个伪选择，尤其是在开源模型日益有效的情况下。
Well, we think that having to back the right horse is a false choice, especially with the increasing effectiveness of open source models.
—— Davis Palmie · [03:47]

编码是容易的部分。
Coding was the easy part.
—— Davis Palmie · [05:01]

如果你拉取你的 Dora 指标，从代码写完到进入生产环境的时间，我敢打赌它远远超过实际做那些工程改动所花的时间。
If you pull your Dora metric, the time from code written to time in production, I would bet dwarfs the time actually making those engineering changes.
—— Davis Palmie · [05:38]

但一旦你能把这个系统的输出回连到输入信号，那时你就解锁了组织的自我改进。
But once you can tie the output of this system back to the input signal, that’s when you unlock organizational self-improvement.
—— Davis Palmie · [07:55]

举例来说，我们发现你在代码审查上用 GPT 5.2 可以达到和最新 Opus 模型相同的性能，但价格只有一半。
We found, for instance, that you can achieve the same performance on code review with GPT 5.2 as with the latest Opus models, but at half the price.
—— Davis Palmie · [08:25]

现在如果你看看开源替代品，可以把你的成本砍到便宜 10 到 30 倍。
And now if you look at the open source alternatives, that can slash your costs down to 10 to 30x cheaper.
—— Davis Palmie · [08:36]

不被锁定在单一实验室，意味着你解锁了 LLM 的整条帕累托前沿。
Not being locked into a single lab means you unlock the entire Pareto frontier of LLMs.
—— Davis Palmie · [08:51]

用技术术语来说，你的软件工厂应该保守地把这种痛苦从 O(N) 降到 O(1)。
In tech terms, your software factory should take this pain from O of N to O of 1 conservatively.
—— Davis Palmie · [11:37]

而这个标准应该确保每个人都被拉到最高标准，而不是最低的共同标准。
And this standard should make sure that everyone is pulled to the highest bar, not the lowest common denominator.
—— Davis Palmie · [11:59]

如果你的智能体和你的人类工程师要走同样的路，那么把路铺好就是双倍有用的。
If your agents and your human engineers are going to walk the same roads, paving them well is doubly useful.
—— Davis Palmie · [14:35]

但现在，判断力和优先级排序已经胜过了机械式的实现技能。
But judgment and prioritization now beat mechanical implementation skill.
—— Davis Palmie · [15:49]

基本上，你要衡量的是结果，而不是 token。
Basically, you want to measure outcomes, not tokens.
—— Davis Palmie · [16:31]

而在于谁能从这些花费中获得最高杠杆的成果。
It’s about who can get the highest leverage outcomes from that spend.
—— Davis Palmie · [17:06]