软件工厂：梦想工厂还是跑步机？AI 智能体三种循环解析

Tessl 博客引用 Jellyfish 2026 年 9 月 AI Engineering Trends 数据指出，中位数公司已有 22% 的合并 PR 由自主编码 Agent 撰写（90 分位达 53%），但仅约 0.6% 的 PR 由 Agent 评审合并（前 10% 公司为 9%）。

Tessl 发布 Verifiers，规则以 JSON 文件形式存放在仓库中，每次代码变更时由 LLM judge 逐条给出 pass 或 fail，可像 lint 或测试一样在本地、pre-commit 或 CI 中使用。

Tessl 作者在 AI Native DevCon London 的演讲中提出，Agent 技能一旦被信任就会影响智能体的读取、修改和工具调用，应视为供应链组件并纳入安全审查。文中给出对约 4000 个公开技能的扫描发现可疑下载、凭据风险和恶意行为等问题，并提出由私有上下文、不可信内容和对外通信构成的风险三要素，以及清单管理、来源审查、行为扫描、权限收窄和出站控制等实践建议。

Tessl 博客复盘前 Docker CTO Justin Cormack 在 AI Native DevCon London 的演讲，分享用 AI 构建约 35 万行 Rust 的 S3 兼容对象存储的经验。

Tessl 发文提出智能体转型的真正难点是上下文等要素的归属问题，而非 Agent 本身。核心规则是所有权跟随组织单元，个人与团队上下文归领域专家，组织级共享基础由赋能或平台团队托管并开放贡献，赋能团队只提供工具和基础设施而不拥有上下文。

Tessl 提出反馈回路工程这一实践，把围绕智能体的循环分为内循环（测试、类型、评审）、中循环（维护智能体修复项目本身的状态）和外循环（读取生产信号），认为常被忽略的中循环能改善未来大量变更的条件。

Tessl 在为 Code Review 工具选模型时发现，按费率卡比较 token 单价会得出错误结论：三种更便宜的开源权重模型中有三种在真实 PR 审查中实际花费更高，一个模型每 token 便宜近 3 倍却在同一 PR 上贵 2.8 倍。

Docker 从事 AI 开发者工具工作的 Oleg Šelajev 在 AI DevCon London 演讲中提出，本地编码智能体需要基于 microVM 的真正沙箱，因为提示词级防护无法强制执行文件系统和网络边界。

AWS Senior Principal PM、Kiro 负责人在 DevCon 演讲预告中提出，从个体编码助手走向团队平台本质是组织变革而非工具采购，信任先于一切。团队给智能体更多工作的依据是验证能力提升而非模型变强，且成本随任务规模而非席位固定，约 20% 的开发者消耗约 80% 的预算，需像管理云账单一样按团队和流程做 token 可见性。

AWS Senior Principal PM、Kiro 负责人撰文分析团队从个人 AI 编码助手走向开发平台的核心问题。他认为团队放权给智能体的关键不是模型变强，而是验证输出的成本变低，信任决定了智能体能承担多少工作；智能体按任务计费打破了按席位收费模式，约 20% 重度开发者消耗约 80% 预算；信任解锁软件工厂，工厂才能把预算、限流和任务路由等成本控制内置成系统能力。