Devin 的 80% 时刻：后台代理、7 倍 PR 与手把手写代码时代终结——Walden Yan & Cole Murray
摘要
后台编码代理在 2025 年 12 月前后出现了商业性质的变化：Opus 4.5 和 GPT-5.2 已能从一份足够好的规格说明直接推进到完成的 pull request，过程“几乎没有摩擦”。 Cognition 的内部证据异常具体：Devin 在 Cognition 各代码仓库中的提交占比从 1 月的 16% 升至 3 月的 80%；合并 PR 的使用量在 2-3 个月内增长约 7 倍，而工程团队规模仅增长约 10%。Cole 表示，Sonnet 3.7 已经足够强，Cognition 得以删掉一部分原本由代理机制承担、但更强模型已不再需要的组件。
如果供应商不掌握基础设施、分发渠道或企业落地过程，独立的代理编排层在经济上显得单薄。 Cole 将 OpenInspect 开源，是因为后台代理将成为企业关键基础设施；但他不愿去争夺“每席位 20 美元”的市场，因为模型和沙箱供应商拿走了大部分价值：“你到底在卖什么？”Cognition 的答案是，将代理、算力栈、集成能力和工程团队打包，帮助企业围绕 AI 重组工作流程。
尽管会增加状态管理的复杂度，安全性和可移植性仍支持 Cognition “将大脑与机器分离”的架构。 将 harness 放在沙箱内部更简单，但密钥和不可预测的代理行为会共处于同一个沙箱；将大脑置于沙箱之外，则可把敏感控制逻辑隔离开来，每台机器只获得定义该用户权限范围的凭证。这套架构还支持现有开发机、完整 VM、针对不同操作系统的环境，以及处于 beta 阶段的 Android 开发。
真正可守的工程能力越来越位于聊天循环之下：代码仓库配置、快速可恢复的机器、凭证，以及贴近真实环境的本地应用。 团队仍依赖“去找 Bob 拿密钥”；而最初的裸 EC2 机器曾让 Devin “像死机一样趴着 10 分钟”。Cognition 构建了按文件系统 diff 恢复工作的存储系统，而不是恢复整块 TB 级磁盘；他们还发现，网络挂载文件系统会让每次 grep 都变成一次网络操作，并掌握了足够多的基础设施，继续推进 VPC、本地部署和 GovCloud 部署。
应用测试本质上是推理与编排问题，而不只是计算机操作问题。 点击只是“发出正确坐标”；测试一次前端和后端的改动，还需要启动兼容版本、满足管理员权限或 feature flag 条件、协调多个会话，并找出触发特定行为的准确操作。讨论指出，有些场景需要编排多个 frontier model，因为没有单个模型能完成整条链路；带标签的视频和截图则压缩了人工验证环节。
企业价值取决于双向工作流集成，而通用 MCP 连接往往止步于此。 一个有用的 Slack 同事必须接收 webhook、自然回应、保留共享会话，并避免刷屏；一个有用的 GitHub 代理则必须解决评论和冲突，同时不能围绕自己的 reviewer 无限循环。讨论认为，需要一种“比 MCP 更具表达力”的双向机制；Swyx 则指出，当几乎每个代理会话都会经过某个关键集成时，掌握它本身可能就有意义。
记忆和多代理系统仍然前景可期，但在运营层面尚未成熟。 Cognition 的记忆系统必须从一次性请求中推断出可长期保留的偏好，而不能把偶发要求普遍化；还要在数千条记忆中完成检索而不淹没上下文，并适应模型变化。团队正在探索一种类似文件系统、由代理自行导航的记忆机制。多代理工作同样最可靠地表现为一个管理者拆分彼此隔离的任务，子代理像压缩上下文的工具调用，而不是自由协作的蜂群；不过，代理如今开始能够拒绝错误指令，也让真正的协作更有可能。
近期回报主要集中在自动分诊、安全审查、支持调查，以及让非工程师发起边界明确的代码改动，但治理仍不可或缺。 Walden 警告，如果未经审查的 AI 生成模式成为未来训练上下文，“你的代码库会退化成最差工程师的水平”；Cognition 的无审查实验持续约 2 周后，重复实现让简单改动都变得痛苦。Swyx 提到每位工程师约 $1,000-$5,000 的支出，现场也承认这一数字可能高得多；frontier model 与 subfrontier model 的混合路由预计会成为重要的成本杠杆。
精读
上游暂未提供，后续同步将继续补齐。