Replit 提出“自动驾驶公司”：智能体融入全公司后代码产出提升 2.9 倍

在过去六个月里，Replit 的工程师们将代码产出几乎提高了两倍。审查时间保持稳定。回滚和产品事故持平。质量指标有所提升，发布速度加快。你所预想的那些典型权衡取舍并未出现。

虽然代码是可见的部分，但表面之下发生的事情要有趣得多。

智能体现在会调查生产事故、审查拉取请求、回答问题、分析业务数据、分诊支持工单、研究销售客户，并改进驱动 Replit Agent 本身的系统。

感觉就像有一个单一的主智能贯穿每一位员工，尽管事实并非如此。这是一个不断扩展的智能体系统，在全公司范围内运作：从人那里接收目标、收集上下文、执行工作、检查结果，并在需要人类判断时上报。

我们认为这代表了一种新型组织的开端：自动驾驶公司。

自动驾驶公司并非没有人的公司。人仍然选择目的地。他们决定哪些问题重要、做出艰难的权衡、运用品味，并对结果负责。

但越来越多地，他们不再执行到达目的地所需的每一个步骤。

这一转变始于去年年底。和许多从事 AI 工作的人一样，我们圣诞假期归来时感到某种根本性的东西已经改变。模型能够在更长的周期内持续工作。

那些曾反复失败的任务，比如告警分诊和根因调查，开始奏效了。AI 开始解决我们一些最顽固的 bug。于是我们不再把智能体当作存在于编辑器或聊天窗口中的工具。我们小心翼翼地将它们编织进公司本身的肌理之中。

一旦工程团队证明了价值，采用便自行发展起来。一个又一个团队开始卸下他们最乏味的工作，重新夺回时间用于真正推动业务的战略性和创造性思考。人们并不觉得自己被自动化了。他们觉得自己被提升了。

这就是 AI 如何彻底改变我们在 Replit 工作方式的故事。

工程团队最先看到了影响

一月底，我们提升了基础设施，以便快速试验内部智能体用例。我们利用智能体框架、microVM 和远程文件系统基础设施，让任何工程师都能并行编排智能体集群。然后我们把整个系统锁在访问策略、令牌代理、审计日志和我们的零信任网络之后。到那时，我们觉得可以安全地让智能体访问我们完成工作所用的所有东西：GitHub、GCP、Azure、Linear、Notion、Slack、ZenDesk 等等。

有了跨系统的上下文，我们看到了生产力的飞跃。以前失败的实验变得轻而易举。最直接的影响体现在编码数据上。

我们当时正处于三月 Agent 4 发布前的冲刺周，通常我们会看到大幅增长。会议消失，范围明确，工程团队进入纯粹的执行模式（往往每天长达 16 小时）。但这次不同。我们的生产力曲线以一种我们从未见过的方式向上弯曲，这可以追溯到我们新的内部智能体系统的采用。从一月初到六月底，贡献的代码行数增长了 5.8 倍。

这一增长部分可归功于招聘得当。我们的新智能体加速了达到生产力的时间，这很好，但我们可以剔除招聘效应以获得更干净的数据。保持作者群体一致，我们看到代码量是之前的2.9倍。传统上，在团队规模扩大时，如果能保持每位工程师的产出持平，就被认为是极好的。而我们刚刚在团队规模翻倍的同时，将每位工程师的产出率提高了两倍。

你可能会想，谁在审查所有这些新代码，我们是否在审查流程中制造了新的瓶颈。我们的代码审查延迟持平，主要因为我们让智能体参与代码审查。它现在能够评估风险水平，并且只在必要时才召集第二位人工审查员。这意味着节省了30%（且还在增长）的人工PR审查时间。

随着我们的智能体编写和审查更多代码，我们应该担心质量。如果我们看看PR回退率（左图）和开启的事件，趋势是持平的。这意味着我们实际上在相对基础上有所改进。

原因之一是这些流程也有智能体辅助。人工代码审查有智能体协同审查员的好处，因此能捕获更多缺陷。事件调查（有意义的缺陷或实际事件）由尝试寻找根本原因的智能体协助，因此平均缓解时间（MTTM）正在下降。

最终的考验是，额外的代码输入是否代表真实的价值输出。归根结底，工程是为用户交付功能。我们在Linear中跟踪项目，以便销售和营销团队知道何时与用户沟通新功能。你可以看到项目完成率随着我们的编码量急剧上升。

一个自驱动的工程团队可以交付更多，同时提高质量。

我们的智能体之智能体正在实现大规模的循环工程

放大来看，我们能了解这看起来是什么样子。当工程师找到生成循环的方法，派出一队智能体去完成一项可验证的任务时，我们看到了最显著的变化。每位员工都能访问一个管理者智能体，它可以生成多个智能体，从而实现代表你循环工作的智能体编排。循环产生了一些非常独特的PR图表，比如这些：

一位工程师完成了我们CSS系统长期停滞的迁移，并分享了他的经验。另一位工程师自动化了一项迁移，使我们能够本地化产品。还有一位自动化了不稳定测试的维护。我们的CTO最终用一群智能体攻克了我们最棘手的网络缺陷之一，涉及PSC和fd关闭。我们对可能性的所有假设都改变了。

最令人兴奋的自驱动例子来自我们的AI团队。他们构建了一个持续学习系统，分析用户反馈，提出改进建议，并结合基准测试和A/B测试来验证成效。Replit Agent正在自我改进！

构建与购买的对话已经改变

我们新的内部智能体也改变了关于构建还是购买软件的对话。我们定期尝试新的AI工具。购买解决方案可以帮助我们更快前进，我们也持续评估市场。但我们构建得越多，需要做的就越少。我们的内部智能体现在表现优于我们测试的被视为市场领先的产品。我们刚刚淘汰了一个七位数的SaaS解决方案，因为我们的内部应用——完全在Replit中构建——更优越，员工已经迁移过去了。

突然间，这些工具仿佛就是为我们量身打造的。与知识库的深度集成，加上我们所做的定制，让其他解决方案相形见绌。

更让我们惊讶的是，我们的内部智能体还击败了我们评估过的垂直领域专用产品。一款帮助工程师分诊告警并定位事故根因的工具，返回结果质量相当，但运行成本是我们的智能体的 10 倍。一款运行自动化渗透测试的工具，发现的漏洞比我们的内部版本更少，成本却高出 10 倍。我们的两个版本都轻松投入生产，缩短了事故的 MTTM，并加固了关键系统以抵御攻击。

鉴于我们仍在不断学习，而模型也在持续进步，显然这仅仅是个开始。

超越工程，走向整个业务

一家自动驾驶公司不会止步于工程部门。Replit 的每一个职能都在发生变化。

使用范围迅速从工程部门扩散开来，主要得益于一个 Slack 界面。公司其他部门注意到工程师给我们的智能体打标签分配任务，便自己也尝试了起来。最初，最热门的用例是提问。通过将我们的知识库与代码库的状态相结合，任何人都能澄清产品预期，而无需等待工程部门的输入。这些员工随后还可以跟进修复文案或文档。这让响应速度立刻得到了提升。

但这只是开始。从那时起，来自公司各个部门的新技能和集成贡献开始源源不断地涌入。

第一个重大突破来自我们的数据团队。他们为智能体提供了一个覆盖数据仓库的语义层，让它知道哪些表是事实来源，以及它们之间如何相互关联。

现在，Replit 的任何人都可以提出商业智能问题并获得可靠的答案。他们可以从实时数据构建图表和演示文稿（包括本文中的每一张图表）。数据团队将时间花在深入攻克最难的问题上，而不是应付各种请求。最近，一位产品经理能够自助完成复杂的发布分析，因为我们的智能体理解代码库中的事件、它们如何在我们的客户数据平台中呈现，以及如何将这些与复杂的订阅状态关联起来。

销售团队也发现了同样的杠杆效应。销售开发团队使用智能体来寻找并丰富产品合格线索，借助通用工具无法看到的内部知识，让外联触达更有背景信息。客户主管用它来为与客户的对话做准备，了解谁获得了最大价值、哪些项目最活跃，以及信用使用情况如何对照其合同。所有这些随后被打包成针对该客户定制的品牌化幻灯片。一支自动驾驶的销售团队能与客户拥有更多、更高质量的接触点。

我们的营销团队可以用智能体仅凭一个提示就从零起草产品规格，基于工程和产品部门跨部门的对话和文档。这让他们能够更早地启动发布工作并保持最新状态，而无需参加每一场会议。他们有更多时间进行规划和发挥创意，这将确保我们的发布在面世时产生更大的影响。

我们的支持团队赋予了智能体调查问题和遵循标准操作手册的技能。它可以选择以我们标准的客服语气给出回复，或者连同工单摘要和调查结果一起升级给工程团队。一个自动驾驶式的支持团队处理最棘手的工单（那些升级给人类的工单）的速度快了60%。用户能更快地回到构建工作中。

在每一个例子中，人类都没有被自动化取代。他们得到了晋升。自动驾驶把执行者变成了指挥者，而蓬勃发展的人是那些以结果为导向、设定方向的人。这是如今最有价值的工作。

下一步去哪里？

让自己更高效令人兴奋，但真正激励Replit员工的是技术民主化。

我们想把这种新的工作方式带给所有用户。我们正在努力确保能够以大规模部署所需的政策、权限、安全和成本控制来实现这一点。Replit最活跃的用户是构建真实业务的企业家和商业用户。自动驾驶需要能够扩展到满足这些用户需求的安全措施。

我们正在努力构建这些。

鉴于上面所有的图表，你不会等太久。