返回资讯中心
外部精选
软件工程
#开发工具#agentic-ai#best-practices#jetbrains-air#report

JetBrains 发布报告:九个真实案例揭示 AI 智能体规模化落地经验

来源标题:Scaling AI Agents: What We Learned From 9 Real-World Cases

JetBrains 发布《How Top Teams Scale AI Agents》报告,基于 Fin、Semrush、Skiller Whale 等九个真实案例总结团队规模化使用 AI 智能体的经验。报告指出,有组织 AI 采用率达 95% 但开发者速度未见提升,另一组织则将拉取请求吞吐量提高到三倍、缺陷积压减少 54%。报告认为,单纯增加智能体数量无法修复有问题的开发流程。

JetBrains BlogCiara Byrne2026/11/13 · 4 天前12 分钟阅读

以下正文由 AI 翻译自 JetBrains Blog(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

我们最新的报告探讨了软件开发负责人要让智能体真正发挥作用需要具备哪些条件。

有一家组织的 AI 采用率达到了 95%,但开发者的开发速度却没有提升。另一家组织的 pull request 吞吐量提高了两倍,同时缺陷积压减少了 54%。

这种差异该如何解释?

为了弄清是什么让 AI 智能体在单个开发者之外也能发挥作用,我采访了来自 Fin、Semrush、Skiller Whale 等组织的工程负责人和从业者。

这些发现现已收录在我们的新报告《How Top Teams Scale AI Agents》中。该报告包含九个真实案例研究和从业者的叙述,其中包括来自 JetBrains 自身工程团队的洞见。

这份报告不止关注采用率和个体生产力提升,还深入探讨了当团队开始依赖 AI 智能体时,究竟会发生哪些变化——他们如何组织工作、维护代码质量、共享知识、管理成本以及衡量结果。

下载免费报告

以下是我印象最深刻的三点经验。

#1. 更多的智能体并不能修复已经损坏的开发工作流

在 Fin,最初的目标是在不影响代码质量、安全性或性能的前提下,将 pull request 吞吐量翻倍。

Fin 并没有简单地部署更多编码智能体,而是成立了一个专门的团队 Team 2x,负责管理智能体周边的基础设施,包括共享技能、插件、MCP 服务器和评估机制。

该团队用真实示例测试智能体技能,用历史 PR 对代码审查技能进行回测,并分析智能体会话,以找出反复出现的错误和缺失的上下文。

但产出的增加也带来了新问题。CI 承受了压力,代码质量变得不稳定。Fin 的应对方式是投入 linting 和标准化建设。

在 16 个月的时间里,Fin 报告称:

  • PR 吞吐量提升至 3 倍
  • 缺陷积压减少 54%
  • 尽管 AI 总支出增加,每个 PR 的成本降低了 50%

特别有意思的是,Fin 投入了大量精力让工程体系的其余部分跟上节奏。

#2. 你的代码库需要为智能体做好准备

即使是有能力的智能体,在无法可靠地构建项目、运行测试或找到所需上下文时也会举步维艰。

这在大型复杂仓库中尤其具有挑战性,因为开发者往往依赖多年积累的关于构建配置、依赖项和项目约定的知识。

在 JetBrains,我们一直在自己的大型 monorepo 中解决这个问题。我们的经验指出了几项实际要求:标准化的构建工具、快速的测试、可访问的 API,以及智能体能够自行搭建的环境。

教训很直接:在投入更多智能体之前,先看看是什么阻碍了你现有的智能体可靠地完成任务。

#3. 个体采用 AI 并不会自动提升团队绩效

在 Angie Jones 讨论过的一家企业中,AI 采用率达到了 95%,但开发者的开发速度却保持不变。

该团队将重心从鼓励使用 AI 转向帮助开发者委派有意义的工作。那些构建了更丰富的仓库级上下文的倡导者,最终提交 pull request 的速度达到了此前的三到四倍。

Skiller Whale 遇到了同一问题的另一种表现形式。在一次客户合作中,一个接受过监督 AI 智能体培训的小组,其 PR 吞吐量大约翻了一番,而组织其余部分的吞吐量却在下降。

这些例子凸显了 AI 采用计划中一个容易被忽视的问题:开发者需要学习如何组织任务、提供上下文、评估结果,并与同事分享有效的实践。否则,组织最终可能只会得到少数几个高产的 AI 高级用户,而不是整体生产力更高的工程团队。

扩展 AI 智能体需要什么?

在这些对话中,有一个模式反复出现:那些取得实质性成果的组织,都在持续改变周围的系统和实践。

这意味着要让开发环境为智能体做好准备、建立共享标准、改进审查流程、投入团队学习,并衡量采用率之外的结果。

没有一套适用于所有工程组织的通用手册,但有一些具体的方法值得学习,包括那些第一次尝试时没有奏效的方法。

与这些团队的交流让我有很多思考,我相信还有更多值得分享的故事。我很想在评论区听听你们使用 AI 智能体的经历、学到的经验,或者仍在摸索的挑战。

获取免费报告

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →