重新思考研发基础设施:当 Agent 成为第一公民


前言

从一个周报系统说起

过去几个月,我做了一个小系统:收集团队在多个异构系统(代码托管、项目管理、数据平台、IM)中的活动数据,聚合分析后生成一份周报,发布到内部 Pages 站点。功能不复杂,但这个系统的构成方式让我想了很多。

它的架构可以用一句话概括:connector 打通异构系统 → 规范化成统一活动流 → 用一个意图(skill)驱动聚合与排版 → 生成单文件 HTML → 推送到 Pages。(这里的 connector 是我自己写的一组小工具,用 CLI 的方式让 agent 连接各种基础设施——背后的核心是各平台的 CLI。)

这里面有三类组成部分。第一类是 agent——它是核心驱动力,读取一份叫 SKILL.md 的意图描述,连接各个数据源,在运行时动态生成 Python 脚本做数据处理,动态生成 HTML 做渲染。第二类是代码——有一些 Python 和 Shell 脚本,但关键区别在于,大部分代码是 agent 每次运行时按需生成的,生命周期很短。第三类是 infra——内部 Pages 做托管,CI 做部署,Git 做版本控制——但对我来说,这些几乎"不可见"了。Agent 直接 push 并触发部署,我不需要关心 CI 配置或部署流程。

这个系统有一个很有意思的特性:它的意图是一个活物,不是冻结的需求。SKILL.md 用自然语言描述"要产出什么报告",仅在一轮迭代里,这个意图就改了多次——加会议决策模块、加交叉洞察、调整模块顺序、改标题、overview 加关键贡献者。每一次都是改 skill,而不是改一段写死的程序。改完之后 agent 立即重新生成代码并部署,整个循环是分钟级的。

从这个小系统里,我观察到两件事。

  • 第一,代码是 generated on the fly 的。 每次运行时根据当前意图和数据动态生成、执行、丢弃,生命周期极短。代码的生命周期从"月/年"缩短到了"分钟"。你可以把它类比为 JIT 编译——编译器每次运行时生成的机器码不会提交到 Git,因为那是中间产物,不是资产。这个系统里的 Python 脚本和 HTML 也是同样的角色。

  • 第二,Infra 变得"不可见"了。 Git、CI、Pages 仍然在工作,但它们退到了后台。我感知到的只是"告诉 agent 我要什么 → 拿到结果",中间的构建、部署、托管过程是透明的。

这个小系统虽然简单,但它的构成方式让我开始重新想一个更大的问题:如果越来越多的系统以这种方式运行,那我们今天围绕"人写持久化代码"设计的整套 developer infra,还能支撑吗?

01

一个更本质的观察:

软件一直是"意图驱动 + 代码沉淀"的进化体

从周报系统抽象出来,容易得出一个判断:"未来的软件系统包含智能的部分和静态的部分"。这个判断不算错,但它是一个静态的描述,没有解释力。如果加入时间维度,会发现一个更本质的东西。

无论是传统研发还是 agent 研发,软件系统一直都是由"意图(不确定性)驱动 + 代码(确定性)沉淀"的进化体。 这个模式从未改变,改变的只是驱动和沉淀的速度与机制。

传统研发中的同一个模式

传统软件研发的循环大家都很熟悉:用户有意图(不确定的、模糊的、变化的)→ 产品经理理解并压缩意图 → 研发把意图翻译成代码(确定性沉淀)→ 代码上线运行 → 新的意图涌入 → 下一个循环。

在这个模式里,人是意图到代码之间的桥梁。产品经理做意图压缩,研发做代码翻译。桥梁的带宽决定了循环的速度——通常是周或月级别。这是人的认知带宽的物理约束:一个工程师同时能 hold 住的上下文是有限的,一个产品经理同时能推进的需求也是有限的。

Agent 研发中的同一个模式

Agent 参与后,循环变成了:意图(SKILL.md / 自然语言描述)→ agent 理解意图并生成代码 → 代码执行 → 结果反馈 → 意图修正 → 下一个循环。

模式没变,但桥梁从"人"变成了"agent",循环速度从周/月压缩到了分钟级。回到周报系统的例子——我在一轮迭代里就改了多次意图,加模块、调顺序、改标题,每次修改后 agent 立即重新生成代码并部署。如果这些改动走传统的产品经理 → 研发 → CR → CI 管线,每一次可能就是一个半天的迭代周期,全部做完可能需要两周。

用这个视角重新看两个案例

我再看另一个案例:镜像仓库建站运维。这是一个跨 6+ 个异构平台、涉及 12+ 个配置文件的结构化 SOP——为新地域搭建镜像仓库托管链路。传统排期 2 人日,AI 辅助后 1–1.5 小时完成。

用"意图驱动 + 代码沉淀"的框架看这两个案例,它们是同一个模式在不同循环速度下的表现:

镜像仓库建站(Agent ≈ 50%)的桥梁是 agent + 人。Agent 执行全部技术操作——API 调用创建仓库和配置同步策略、生成十多个配置文件、提交 CR 并推送。人处理风控环节——生产环境的配置推送和白名单变更——这些操作技术上完全可以自动化,但因为错推可能导致线上故障且缺乏灰度回滚能力,所以留给人做。意图 → 执行的循环周期从 2 人日压缩到 1.5 小时,但人仍然在循环里——人机边界由出错代价决定,由风控机制决定。

周报系统(Agent ≈ 90%)的桥梁几乎完全是 agent。意图 → 执行的循环周期是分钟级。人只负责表达意图和验收结果。这里有一个值得注意的细节:周报系统的 connector 不仅连接系统 API,还隐含了一套工作模式规范——cli-meeting-minutes connector 指向内部 IM 某个文件夹,只有当人真的把会议纪要放进那个文件夹,这条 connector 才有数据。每加一个 connector,等于同时给团队定义了一种工作模式。这是意图驱动的一个有趣副产品:系统对人的要求从"按流程执行"变成了"按规范沉淀"。

两者的差异不在模式,在速度。

这个 insight 的三个推论

  • 推论一:Agent 不是革命,是加速。 它没有改变软件进化的基本结构,只是把"意图 → 代码"的循环速度提高了几个数量级。这个判断很重要,因为它意味着我们不需要推翻已有的认知框架来理解 agent,只需要追问:当速度变化之后,原来在慢速下成立的假设是否还成立?

  • 推论二:静态沉淀不会消失。 不确定性被消除后,确定性的东西就应该用确定性的方式表达——这就是代码存在的理由。用一个巨大的概率模型去逼近一个已经确定的函数,在信息论意义上是荒谬的浪费。所以 agent 系统在成熟后会自然地把验证过的逻辑固化为代码,agent 占比会下降——直到新的意图涌入,agent 占比又上升。

如果把 agent 占比画成时间曲线,应该呈锯齿形:意图涌入时陡升(不确定性高,agent 探索),逻辑固化时缓降(不确定性消除,代码沉淀)。两个案例分别代表了两条典型路径:

周报系统是上面那条线——agent-native 系统从接近 100% 的高位出发,连 connector 怎么写、数据怎么聚合都是 agent 在摸索。几轮迭代之后,connectors.yaml 稳定了、CI 配置固化了、check_connectors.sh 沉淀了,agent 占比随之下降。然后我说"加一个交叉洞察模块",新意图涌入,占比又上升——但每次上升的幅度在递减,因为系统的骨架越来越稳固。

镜像服务系统是下面那条线——存量系统从低位出发,研发逐步让 agent 接管越来越多的工作,每次接管都是一个小锯齿:agent 根据新地域参数生成全部配置(上升),配置被审批入库固化(下降),但整体趋势在爬升。

两条线最终都在震荡中趋向各自的均衡点。如果某条线是一条平线,说明有问题——要么需求真的在持续变化(健康),要么该做的代码固化没做(不健康)。锯齿形本身就是一个系统健康度的诊断工具。

  • 推论三:模式没变,但模式对基础设施的要求彻底变了。 当循环速度从月级到分钟级,原来为慢循环设计的基础设施就会成为瓶颈或变得不适用。Git 假设每次变更都值得 commit;CI/CD 假设构建和部署是离散事件;测试环境假设代码是稳定的、可以提前准备好环境来跑;发布系统假设发布是低频的、需要人工审批的;Code Review 假设有人来看每一行代码。这些假设在慢循环下全部成立,在快循环下全部失效。

02

统一框架下的三个变量

上一节建立了"意图驱动 + 代码沉淀"的统一框架。Agent 没有改变这个框架的结构,但改变了框架里三个关键变量的取值。理解这三个变量的变化,就理解了从传统研发到 agent 研发的完整差异。

桥梁带宽:从人到 agent


"意图 → 代码"的桥梁从人换成了 agent,带宽提升了几个数量级。人的角色从"桥梁"后退为"意图的表达者"和"结果的验收者"。

镜像仓库建站案例最直接地体现了这一点。传统排期 2 人日,操作本身的难度不高,但跨 6+ 个平台、12+ 个配置文件的编排操作对人的认知带宽要求极高。一个不熟悉业务的工程师,即便拿着 SOP 也很容易出错:不同环境的密钥加密实例不同,密文不可互换;不同 region 之间的镜像同步走不同的流水线;缓存要刷新才能生效。这些细节散落在 SOP 的各个角落,人需要全程保持高度注意力。

Agent 的优势恰恰在于此:不丢上下文(12+ 个配置文件不混)、不漏步骤(6+ 个系统全部覆盖)、不混配置(不同环境严格区分)。这跟"聪明"无关——Standard 级别的模型就够了——这是认知带宽上的碾压。结果是:原来要 2 人日、依赖老手经验的操作,现在是"新手 + AI = 老手的产出"。SOP 从"面向人的菜谱"变成了"面向 agent 的可执行意图"。

在周报系统里,这个变化更彻底。我不需要写代码来实现"加一个会议决策模块"——我只需要在 SKILL.md 里表达这个意图,agent 自己生成 Python 脚本去解析会议纪要、提取决策项、格式化成 HTML。如果结果不对,我调整意图描述,agent 重新生成。整个过程中,我的角色不是工程师,是意图的表达者。

沉淀粒度:持久代码与瞬态代码的分化


Agent 没有消灭代码,而是让代码分化成了两种形态。

瞬态代码是 on the fly 生成的一次性中间产物,生命周期是分钟级,用完即弃。周报系统每次运行时生成的 Python 数据处理脚本就是这种——它根据当前的意图和数据源动态生成,执行完拿到结果,代码本身就不再有用了。你不会把它提交到 Git,就像你不会把 JIT 编译器每次生成的机器码存进版本库。

沉淀代码是经过验证、反复出现、被证明有价值后固化下来的逻辑。周报系统里的 connectors.yaml(数据源定义)、CI 部署配置、check_connectors.sh(覆盖体检脚本)就属于这类——它们是经过多轮迭代沉淀下来的,仍然需要版本控制和测试。

这正是"意图驱动 + 代码沉淀"模式的体现:agent 快速生成瞬态代码来探索和响应意图,其中反复出现的、经过验证的模式被沉淀为持久化代码。两种代码共存,但对基础设施的要求完全不同。

镜像仓库建站是一个有趣的中间形态:agent 每次建站生成的配置代码不是用完即弃的——它们被提交到 Git、走 CR 流程、发版上线。但生成过程本身是 on the fly 的,agent 根据 SOP 意图和当前建站参数动态生成代码,人审批后固化。这里的人机协作分界线很有意思——由风控机制决定,由出错代价决定。生产环境的配置推送技术上完全可以自动化,但因为错推可能导致线上故障、缺乏灰度回滚能力,所以留给人做。

基础设施的使用者也在分化。Git、CI、部署平台仍然在运行,但它们越来越多地被 agent 调用而非被人直接操作。与此同时,一个反直觉的规律出现了:越是动态的系统,越需要坚固的静态约束。类型系统、沙箱、权限边界——这些确定性的约束成为 agent 系统可靠运行的护栏。

循环频率:从发布周期到运行时反馈


传统迭代周期大家都经历过:需求评审 → 开发(天/周)→ 测试 → 发布 → 下一个周期。每个环节都有等待时间,有审批流程,有排期协调。一个从意图到上线的完整循环,快的团队可能一两周,慢的团队可能一两个月。

Agent 参与后,这个周期可以压缩到分钟级。回到周报系统——我在一轮迭代里改了多次意图,每次改完 agent 立即重新生成代码并部署。不需要等 CR、不需要等 CI 排队、不需要等发布窗口。意图的表达、代码的生成、结果的验收在同一个会话里完成。

更准确地说,迭代的性质变了——从离线的、批量的、有审批流的变更,变成了在线的、增量的、实时反馈的演化。这个区别很重要。传统迭代是离散事件——每次发布是一个节点,两次发布之间系统是静止的。Agent 参与后,迭代变成了连续过程——系统在意图和反馈的驱动下持续演化,"发布"这个概念本身变得模糊了。

三个变量同时变化的效果是乘法而非加法。桥梁带宽提升让意图可以更快地进入系统,沉淀粒度变细让代码可以更灵活地生成和丢弃,循环频率跃迁让整个"意图 → 代码 → 反馈"的循环从离散事件变成了连续过程。这就是为什么原有 infra 会系统性失配——整个节奏变了,每个环节的设计假设都在同时失效。

03

把动态性推到极致

以上三个变量的讨论聚焦在 Developer Infra——agent 承担的是研发的桥梁角色。但如果沿着这个逻辑继续推,会触及一个更大的问题。

传统软件有一个根本假设:意图可枚举。产品经理写 PRD,本质是把用户的无限意图空间压缩成有限的 feature 集合。整条管线能工作的前提是用户的核心意图可预测、变化速度慢于发版速度。当意图的多样性和变化速度超过发版频率时,管线在架构上就不支持了。

这意味着 agent 在承担研发角色之外,还会承担产品经理的部分职能——在运行时直接理解用户意图并生成执行路径。产品经理从"意图的唯一入口"变成"意图的策展人":长尾意图由 agent 实时响应,产品经理巡检后把反复验证的模式固化为代码。如果面对开放意图空间,agent 占比就有一个不可压缩的下界——那部分永远没法固化成代码,因为你不知道明天用户会提出什么。

这个话题再展开就进入 Product Infra 的范畴了,本文不深入。但它说明三个变量的变化不是孤立的技术现象,它会沿着"意图驱动"的逻辑一路推到产品形态和组织分工的层面。

频率变化是根因。根因确认之后,下一个问题是:到底哪些地方在失配?失配的深层原因是什么?在提出设计原则之前,先看三个实践案例。

04

从三个案例看 agent 与 infra 的摩擦

案例一:多角色 age…

— 以上为试看内容(约 40%),开通会员后阅读全文 —