Linear 发布 coding sessions，让 Linear Agent 直接从 issue 写代码开 PR

智能体已经能承担软件开发中越来越多的工作，但目前大多仍是个体生产力工具，一次只能服务一个人。

产品是团队共同打造的，而其中产生的决策及其背后的推理，构成了整个产品赖以构建的上下文。

这些上下文很少集中在一处，而是散落在 Linear 议题、文档、Slack 讨论串和代码中。正因如此，我们一直努力把更多产品开发工作搬进 Linear，并将它们汇聚到一起。

Linear Agent 可以调用所有这些上下文。我们为它配备了技能和自动化，让它遵循团队的工作方式，并通过 MCP 接入技术栈的其余部分。它能借助 Code Intelligence 阅读代码库，还能用 Diffs 协助审查代码变更。

但这个闭环还缺了一环：编码工作本身仍在别处进行，工程师不得不从 Linear 取出上下文，在另一个工具里重新表述，盯着工作进展，再把结果带回来审查。

今天，我们推出编码会话、自动分诊和 Diffs，把执行环节也纳入同一个共享系统。

编码会话

编码会话让 Linear Agent 能原生地从议题直接推进到实现。

你可以把议题委派给智能体，让它修复某个问题，或在 Slack、Teams 中 @ 它。

智能体会阅读议题及其相关讨论，调研代码库，提出方案，编写代码，并创建拉取请求。整个过程都在云端完成，使用前沿模型以及 Claude Code、Codex 等运行框架。

编码会话启动时，议题相关的上下文已经就位：最初的请求、客户信号、产品决策、相关工作以及讨论。无需任何人收集这些信息，再在新提示词里重新拼装。

会话同样对团队共享。任何人都可以跟进工作、补充上下文、调整方向、请求修改或接手。会话属于整个组织，而不属于发起它的人。

自动分诊

Linear 本就是大量问题和想法汇聚的地方。客户通过邮件报告缺陷，或团队在 Slack 中提出，Linear 会将其转为分诊中的议题。对许多工作而言，闭环正是从这里开始。

大多数智能体会等人来看一眼、补充上下文再移交。而你可以设置分诊自动化，直接标记 Linear Agent，让它在议题完成分诊的那一刻就接手，而不必等人告诉它该做什么。

你可以让智能体先调查议题。它会用Code Intelligence阅读代码库，并利用议题周围的上下文，比如讨论和相关客户。智能体还能连接 Sentry、Datadog 等团队其他工具，交叉定位问题。

在明确该做什么、并确信有修复方案之后，智能体可以在云端开启编码会话，编写修复，创建拉取请求，并标记工程师进行审查。

团队更多的工作可以在问题出现的那一刻就启动，全天候运转。

代码审查

审查是智能体的工作回到团队手中的环节。

Diffs提供了一种原生方式，让你在 Linear 中理解代码变更并审查拉取请求。结构化差异对比和 AI 引导的审查有助于说明改了什么、哪里需要关注。

审查意见就放在问题本身、以及促成这次改动的讨论旁边，和智能体当时依据的上下文完全一致，因此你可以从最初的报告一路看到最终落地的实现，中间的线索不会断。

Linear Agent 全程陪着你，随时回答问题、做出修改，并在同一个地方持续迭代。一旦通过审批，你就可以直接在 Linear 里合并。

一种全新的构建方式

这个循环我们自己也在跑。过去一个月里，智能体合并了将近 700 个 PR。当然，这些并不全是 bug。同样的工作流也可以用在功能构想或设计改动上。

这样的工作流让我们离 Self-driving SaaS 中描绘的愿景更近一步——让软件替你推动工作向前。这套流程有多少环节自动运行，由你决定。你可以让循环从分诊开始，一路跑到草稿 PR，也可以自己发起，把一个问题或十几个问题一次性交给智能体。无论哪种方式，起点在哪、走多远之后才交回你手上，都由你说了算。

这是从单人工具到全组织共享能力的一次转变。循环发生在所有人都能看到、也都能补充的上下文之上，因此它属于团队，而不属于最初发起任务的那个人。模型会不断更替，基于模型构建的智能体也一样，但它们所依据的理解会留在团队里，并随着每一次循环不断加深。

最先进的工程团队已经开始这样构建。Ramp 在我们的 API 上构建了 Inspect，把规格说明、客户反馈和代码连接起来。如今他们合并的 PR 中，有超过 60% 由它编写。

Coinbase 在我们的 Agent SDK 上构建了 Forge，利用各个系统中已有的上下文，在 Slack、GitHub 和 Linear 之间协同运作。他们形容 Linear 是智能体在开始任务前找准方向的地方。

Linear Agent 让每个团队都拥有这种能力，无需再自行搭建和维护那套运行框架。这正是 Linear 成为产品开发所依赖的上下文层的方式。

想看看这个循环实际怎么跑，请观看我们 changelog 里的视频。