返回资讯中心
外部精选
软件工程
#开发实践#Artificial Intelligence, Development Approaches, Development Tools, Generative AI, Software Development

AI代理开始替开发者做技术选型,厂商需让技术对代理可理解

来源标题:Influencing the agents

随着AI代理越来越多地编写代码并决定使用哪些工具和库,软件厂商和开源项目负责人需要让技术对代理可理解、可使用。Anthropic研究发现,在四项分析选择中,参与者有86%的时间遵循代理的建议。开发者及其雇主则应确保代理的默认选择符合自身真实需求。

InfoWorld2026/11/3 · 4 天前20 分钟阅读

以下正文由 AI 翻译自 InfoWorld(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。

自Stephen O'Grady写出《The New Kingmakers》以来,我们一直试图搞清楚如何吸引开发者。如今,我们还得想办法吸引他们的agent。毕竟,AI agent越来越多地替我们写代码,并决定写代码时用哪些工具、哪些库等等。这意味着,尽管应用仍然归开发者所有,但那些影响应用构建的决策,往往已经由agent来做了。

那么,我们该如何应对?

软件厂商和开源项目负责人必须让自己的技术能够被agent理解和使用。与此同时,开发者和他们的雇主应当确保agent的默认选择真正符合自己的意愿。

推荐本身就是一种决策

Richard Seroter最近提到一项研究,该研究挑战了一种令人安心却并不正确的假设:人们会把重要决策留给自己,而agent只是“写代码、跑数据、提供建议”,正如该研究作者所指出的那样。Anthropic研究了50名专业分析师,他们使用的agent被暗中随机赋予了不同的偏好。在四项分析选择中,参与者有86%的情况下遵循了agent的引导。对于像我这样数学不太好的人来说,这几乎等于“几乎总是”。

技术推荐也是同样的道理。等到开发者去检查一个应用的依赖项时,agent可能已经围绕它最初的选择构建了足够多可运行的代码,以至于改变方向意味着丢弃已有进展。到那时,沿用agent的选择反而更省事(而开发者最看重的就是省事)。

这是agent辅助开发的一个可能后果,但它将如何影响企业采购,目前尚不清楚。以Supabase为例,它在文档、技能等方面做了不少有意思的工作,确保agent和LLM能够看到、理解并推荐Supabase。但这跟签下采购订单不是一回事。即便如此,技术可以在资金易手之前很久就进入一个项目,并帮助把资金引向某些方向。

不过,agent或LLM推荐某项技术,并不意味着它推荐得有效。正如微软开发者布道师Waldek Mastykarz所言,首先应当确认agent在面对某个给定提示时是否会选中你的技术;其次,要检查它的回答是否准确。因此他建议,用不提及你产品名称的任务来测试第一点,用提及产品名称的任务来测试第二点。

针对agent要完成的工作来写文档

已经有证据表明,人们可以影响agent使用哪些工具。但更有意思的问题在于,如何把人对特定任务的深刻理解结合起来,让agent知道如何修正一个糟糕的计划。

微软的Garry Trinder在6月描述了这样一种情况。一个agent在升级SharePoint Framework项目时,一直手动修改包版本。而实际升级还需要其他改动,这些可以通过Microsoft 365的CLI来处理。一条更直接的文档提示,只让agent在五次运行中的一次使用了该CLI。而解释清楚“仅修改包版本会导致构建失败”之后,agent在五次运行中全部使用了该工具。

每种条件五次运行,样本量很小,而且这只是微软现有项目内部的工具选择,并非云厂商之间的竞争。即便如此,它仍是文档改变实现选择的一个具体案例。文档写作者理解了agent的做法为什么错,并把这一解释放在了agent会遇到它的地方。这是agent时代最好的一种文档。

Supabase报告过一个相关的问题。agent知道它的平台,却仍然漏掉安全要求,并靠猜测来写命令。在介绍如何构建agent技能时,该公司表示,agent有时会跳过单独的参考文件,于是它把关键的安全指引移入了主指令中。它还引导agent查阅最新文档,而不是依赖记忆中的API。

这些改变的是agent读什么、什么时候读。它们需要有人足够了解产品,能够识别出看似合理却危险的实现方式。再写一百页流畅的产品描述,也解决不了这个问题。

对数据库厂商来说,有用的材料可能是一条经过验证的路径:从客户现有的schema走到可运行的应用,包括权限和故障恢复。对API公司来说,可能是一个处理重试而不会重复计费的示例。商业价值来自消除开发者项目失败的某个具体原因,从而让它不至于失败。

把内容当作产品的一部分

在首批指令发布之后,人的工作仍要继续。产品和项目会变化,而新模型可能还困在对旧信息的理解里。

Google的Remigiusz Samborski最近介绍了该公司的做法。对Google Agent Skills的修改需要版本管理、评估证据、自动化检查、AI审查,以及在导出到GitHub之前由人类主题专家批准。一次指令编辑被视为一次行为变更,需要测试。这对开发者营销和文档团队来说是一个有用的模型,因为他们的产出往往决定着一个产品长期的go-to-market成败。

我曾写过,企业AI需要能够把业务理解转化为系统可用之物的人。对于想要赢得agent推荐的厂商来说,同样如此。必须有人来挑选有代表性的客户任务,识别有意义的失败,并决定哪些限制必须明确说明。AI可以帮忙生成和运行测试;但测试的选择在商业上和技术上都不是中立的。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

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 →