我們開始看到一家公司學會自我運作會是什麼樣子。
在過去六個月裡，Replit 的工程師們的程式碼產出幾乎增加了三倍。審查時間保持穩定。回退和產品故障數量持平。品質指標改善，發佈速度加快。你可能預期的所有典型取捨都沒有發生。
雖然程式碼是可見的部分，但表面之下發生的事情更有趣。
Agent 現在負責調查生產故障、審查 Pull Request、回答問題、分析業務數據、分類支援工單、研究銷售帳戶，以及改善驅動 Replit Agent 本身的系統。
感覺就像一個單一的主智能穿過每個員工，即使事實並非如此。這是一個在公司內部運作的 Agent 擴展系統：從人們那裡接收目標，收集上下文，執行工作，檢查結果，並在需要人類判斷時升級處理。
我們認為這代表了一種新型組織的開始：自動駕駛公司。
自動駕駛公司不是沒有人的公司。人們仍然選擇目的地。他們決定哪些問題重要，做出困難的取捨，運用品味，並對結果承擔責任。
但越來越多的情況是，他們不再執行到達目的地所需的每一步。
這個轉變始於去年年底。像許多從事 AI 工作的人一樣，我們在聖誕假期後回來時感覺到一些根本性的變化。模型能夠在更長的時間跨度內持續工作。
那些曾經反覆失敗的任務，例如警報分類和根本原因調查，開始奏效。AI 開始解決我們一些最棘手的錯誤。所以我們不再把 Agent 當作存在於編輯器或聊天視窗中的工具。我們將它們小心地編織到公司本身的結構中。
一旦工程領域證明了其價值，採納就自行發展起來。團隊一個接一個地開始卸載他們最繁瑣的工作，將時間重新用於真正推動業務的策略性和創造性思考。人們不覺得自己被自動化了。他們覺得自己被升職了。
這就是 AI 如何完全改變我們在 Replit 工作方式的故事。
工程領域首先看到了影響
在一月下旬，我們啟用了基礎設施，以便快速實驗內部 Agent 的使用案例。我們利用我們的 Agent 框架、微型虛擬機和遠端檔案系統基礎設施，讓任何工程師都能夠並行編排 Agent 群。然後，我們將整個系統鎖定在存取策略、Token 代理、審計日誌和我們的 ZeroTrust 網路之後。在那個時候，我們覺得可以安全地讓 Agent 存取我們用來完成工作的所有工具：GitHub、GCP、Azure、Linear、Notion、Slack、ZenDesk 等等。
有了跨系統的上下文，我們看到了生產力的飛躍。以前失敗的實驗變得容易。最直接的影響體現在編碼統計數據上。
我們正處於三月 Agent 4 發佈前的衝刺週，通常會看到一個巨大的峰值。會議消失，範圍已知，工程團隊進入純粹的執行模式（通常每天長達 16 小時）。但這次不同。我們的生產力曲線以一種我們從未見過的方式向上彎曲，這可以追溯到我們新的內部 Agent 系統的採用。從一月初到六月底，貢獻的程式碼行數增加了 5.8 倍。
每週更改的程式碼行數，現有流程 vs. 新的 Agent 工作流程
這個增長的一部分可以歸因於良好的招聘。我們的新 Agent 加快了實現生產力的時間，這很好，但我們可以去除招聘效應以獲得更乾淨的數據。保持一致的作者群體，我們看到程式碼量是原來的 2.9 倍。傳統上，如果你在擴展團隊時保持每位工程師的產出持平，就被認為是出色的。我們在團隊規模翻倍的同時，將每位工程師的產出率提高了三倍。
你可能會想知道誰在審查所有這些新程式碼，以及我們是否在審查過程中創造了新的瓶頸。我們的程式碼審查延遲保持平穩，很大程度上是因為我們讓 Agent 參與程式碼審查。它現在能夠評估風險級別，並且只在必要時才呼叫第二個人類審查者。這意味著 30%（並且還在增長）的人類 PR 審查時間被節省了。
隨著我們的 Agent 編寫和審查更多的程式碼，我們應該擔心品質。如果我們看 PR 回退率（左圖）和發生的故障，趨勢是平穩的。這意味著我們實際上在相對基礎上有所改善。
其中一個原因是這些過程也受到 Agent 的輔助。人類程式碼審查擁有一個 Agent 共同審查者的好處，因此更多的錯誤被捕捉到。故障調查（有意義的錯誤或實際故障）由一個嘗試找出根本原因的 Agent 輔助，因此平均緩解時間（MTTM）正在下降。
最終的考驗是額外的程式碼輸入是否代表真正的價值輸出。歸根結底，工程部門是為用戶提供功能。我們在 Linear 中追蹤專案，以便銷售和行銷團隊知道何時與用戶溝通新功能。你可以看到專案完成率與我們的編碼量一起急劇上升。
一個自動駕駛的工程團隊可以在提高品質的同時交付更多成果。
我們的 Agent 之 Agent 正在實現大規模循環工程
放大來看，我們可以了解這看起來像什麼。當工程師找到產生循環的方法，派遣一隊 Agent 去完成一個可驗證的任務時，我們看到了最顯著的變化。每個員工都可以存取一個管理 Agent，它可以生成多個 Agent，從而實現代表你進行循環工作的 Agent 編排。循環產生了一些非常獨特的 PR 圖表，就像這樣：
一位工程師完成了我們 CSS 系統長期停滯的遷移，並分享了他的學習心得。另一位工程師自動化了一個遷移，使我們能夠本地化產品。還有一位自動化了對不穩定測試的維護。我們的 CTO 最終用一組 Agent 破解了我們最難的網路錯誤之一，與 PSC 和 fd 關閉有關。我們所有關於可能性的假設都改變了。
最令人興奮的自動駕駛例子來自我們的 AI 團隊。他們建立了一個持續學習系統，分析用戶反饋，提出改進建議，並使用基準測試和 A/B 測試的組合來驗證勝利。Replit Agent 正在自我改進！
自建 vs. 購買的對話已經改變
我們新的內部 Agent 也改變了關於我們是自建還是購買軟體的對話。我們定期嘗試新的 AI 工具。購買解決方案可以幫助我們更快前進，我們也在不斷評估市場。但我們自建得越多，需要這樣做的就越少。我們的內部 Agent 現在勝過我們測試的被視為市場領先的產品。我們剛剛取消了一個七位數的 SaaS 解決方案，因為我們完全在 Replit 中構建的內部應用程式更優越，員工已經遷移過去。
突然之間，工具感覺像是為我們量身定做的。與我們知識庫的深度整合以及我們所做的定制，讓其他解決方案相形見絀。
更讓我們驚訝的是，我們的內部 Agent 也勝過了我們評估的特定垂直領域產品。一個幫助工程師分類警報和根本原因故障的工具，其品質相似，但成本是在我們 Agent 上運行的 10 倍。一個運行自動化滲透測試的工具發現的漏洞比我們的內部版本少，成本卻高 10 倍。我們的兩個版本都輕鬆投入生產，減少了故障的平均緩解時間，並加強了關鍵系統以防攻擊。
考慮到我們仍在學習多少，以及模型在如何改進，很明顯這只是開始。
超越工程領域，進入整個業務
自動駕駛公司不會止步於工程部門。Replit 的每個職能都在改變。
使用方式很快從工程領域擴散出來，主要是通過 Slack 介面。公司的其他人注意到工程師用任務標記他們的 Agent，並親自嘗試。最初，最受歡迎的用例是提問。通過將我們的知識庫與程式碼庫的狀態相結合，任何人都可以在不等待工程輸入的情況下釐清產品期望。然後這些員工可以跟進修改文案或文檔。這立即提升了更快回應用戶的能力。
但這只是開始。從那裡，來自公司各個部門的新技能和整合的貢獻開始湧入。
第一個重大突破來自我們的數據團隊。他們為 Agent 提供了我們數據倉儲的語義層，因此它知道哪些表是真相來源以及它們如何相互關聯。
現在 Replit 的任何人都可以提出商業智能問題並獲得可靠的答案。他們可以從實時數據構建圖表和演示文稿（包括這篇文章中的每個圖表）。數據團隊將時間花在深入研究最困難的問題上，而不是處理請求。最近，一位產品經理能夠自助完成複雜的發佈分析，因為我們的 Agent 理解程式碼庫中的事件，它們如何出現在我們的客戶數據平台中，以及如何將這些與複雜的訂閱狀態結合。
銷售部門也發現了同樣的槓桿作用。銷售開發團隊使用 Agent 來尋找和豐富產品合格的潛在客戶，利用更通用的工具無法看到的內部知識，因此外展活動具有更多上下文。客戶經理用它來準備客戶對話，了解誰獲得了最大價值，哪些專案最活躍，以及信用使用情況如何與他們的合同對應。然後所有這些都被打包成針對該帳戶定制的品牌幻燈片。一個自動駕駛的銷售團隊與他們的客戶有更多、更高品質的接觸點。
我們的行銷團隊可以使用 Agent 根據跨工程和產品的對話和文檔，用一個提示從頭開始起草產品規格。這使他們能夠更快地開始進行發佈活動並保持最新狀態，而無需參加每一次會議。他們有更多時間進行規劃和創造，這將確保我們的發佈在推向世界時產生更大的影響。
我們的支援團隊為 Agent 提供了調查問題和遵循標準腳本的技能。它可以選擇以我們標準的客戶服務語調提供回應，或者附上工單和調查摘要升級給工程部門。一個自動駕駛的支援團隊關閉最棘手的工單（那些升級給人類的）快 60%。用戶可以更快地回到開發中。
在每個例子中，人類並沒有被自動化掉。他們被升職了。自動駕駛將執行者變成了主管，而那些蓬勃發展的人是那些思考結果並設定方向的人。這是現在最有價值的工作。
—
接下來去哪裡？
讓自己更有效率令人興奮，但真正激勵 Replit 人們的是技術民主化。
我們希望將這種新的工作方式帶給我們所有的用戶。我們正在努力確保我們能夠用部署大規模所需的政策、權限、安全性和成本控制來做到這一點。Replit 最活躍的用戶是創業者和企業用戶，他們在建立真正的業務。自動駕駛需要能夠擴展以滿足這些用戶的安全措施。
我們現在正在努力構建這個。
鑑於上面的所有圖表，你不需要等太久。
