AI 编码工厂

摘要

• Factory 的核心押注是：企业软件开发将从 IDE 内协作，转向覆盖完整 SDLC 的云端委派。 目标用户是维护 30 多年历史代码库的数十万名开发者，真正的价值不在于让人“快 15% 或 20%”，而在于把完整任务交给并行运行的云端 agents。随着人类亲自编写的代码减少，规划和协调仍将由人主导，而代码与文档执行可能“很快”完全委派出去；测试和验证预计反而需要更多人工投入。

• 产品的差异化不在单一编码模型，而在编排能力：专业化的“droids”、企业级上下文、选择性检索和异步执行。 知识、代码和可靠性 droids 可连接 Linear、Jira、Slack、GitHub、Sentry 和 PagerDuty 等系统；agent 会主动提出澄清问题，而不是要求用户掌握 prompt engineering。演示中，它修改或新建了约 12 个文件，仅消耗 43% 的上下文，随后还可以被指示创建 pull request，同时向用户展示一幅“通往其大脑的 X 光片”。

• Legacy modernization 是本期提出的最清晰的企业 ROI 切入口。 创始人称，一家大型上市公司的迁移项目据报从 4 个月压缩至约 3.5 天，且全程零停机。其代表性流程把代码库分析、文档编写、依赖关系梳理、Jira 工单和并行实施转化为 agent sessions，压缩了一个长期受“官僚流程、技术复杂度和理解成本”拖累的瓶颈。

• 按使用量计费使检索效率成为商业要求，而不只是技术偏好。 客户支付少量固定接入费和按用户计费的费用，但大部分支出来自“standard tokens”；因此 Factory 只检索相关代码和组织上下文，而不是把整个 monorepo 倾倒进不断扩大的上下文窗口。企业级质量的一项指标是代码 churn：成熟代码库可能处于 3%-4%，维护糟糕或变化迅速的代码库则可能达到 10%-20%。

• 创始人认为，在 frontier models 持续变化的背景下，更高杠杆的层是 harness 和评测栈。 他们把基于任务的代码评测与针对提问、规划和工具调用的行为规范结合起来；主持人提到，一次 SWE-bench 运行的成本估计可达 8000-15000美元，Matan 则指出，基准图表可以充当“粗柱对细柱”的营销。Factory 最可能提出的模型需求，是让模型基于持续 1-3 小时的目标导向轨迹进行 post-training，同时摆脱供应商特有的 CLI 习惯——目前这些习惯会让模型偏好 Grep 或 Glob，而不是更好的工具。

• 按创始人的说法，商业化目前更多受采用率和 top-of-funnel 限制，而不是受早期产品拉力限制。 在略超过 2 年的时间里，他们用了约前 1.5 年打磨企业交互模式；过去 90 天，Fortune 500 的部署据称明显加速，主要靠口碑传播。一名 1 月份的用户据称表示，即使公司里只有他一个人使用 Factory，他仍会要求公司允许他继续使用，而不是“为我自己雇 3 名工程师”；Factory 目前正在大量招聘技术能力很强、面向客户的运营人员，内部称其为“初级 Eno”。

精读

1. 代码的可验证性，让一次黑客松相遇在 8 天内变成了一家公司

• Matan 回忆说，他和 Eno 都就读于 Princeton，共有约 150 名朋友，却从未进行过一对一交谈。2023 年 LangChain 黑客松上，一次偶遇从代码生成聊到“智识上的一见钟情”；接下来的 72 小时里，两人几乎不眠不休地一起开发。

• Eno 来自 Hugging Face，那里客户反复提出需求，希望为自己的代码库定制 fine-tuned models。他还探索过一个用 Python 编写并执行金融程序的循环：用于金融领域时感觉“没什么帮助”，但对软件来说则“极其有趣”。

• Matan 曾花约 10 年研究弦理论，之后把 Berkeley 博士阶段的研究转向 AI。代码让他“被 nerd sniped”——模型在代码上的表现，似乎是其在诗歌等下游任务上表现的基础；更特别的是，代码可以执行，并与 ground truth 对照验证。

• 当时可用的 GPT-3.5 显然不足以支持自主工程，但 chain-of-thought、self-reflection、scaling、更大的上下文，以及不断改善的能力-价格前沿，都指向同一个方向。两人见面 2 天后完成注册；见面 8 天后，Matan 离开博士项目，Eno 辞职。

2. Factory 选择了不起眼的企业代码作为切入口

• Factory 覆盖端到端的软件开发生命周期，重点面向企业内部。尚未被充分服务的机会，不是一个能病毒式传播的 zero-to-one demo，而是由数十万名开发者维护的“非常丑陋”“极其复杂”的 30 多年历史代码库；一次不性感的迁移，反而可能创造远大的价值。

• 创始人认为，IDE 把一套为人类逐行编写代码而打磨了 20 多年的工具约束嵌入了产品。IDE 内部看重延迟，而免费版或 20 美元套餐又限制了推理质量和调用量；云平台则可以围绕委派进行优化，而这正是企业眼中的“圣杯”。

• 他们对人机分工的边界定义得很明确：外层循环——规划、与同事沟通、决定应该存在什么——仍将高度依赖人类；编写代码或文档的内层循环很可能很快被委派出去。这也是他们反对把 agents 描述为整个人类替代品的原因。

3. “Droids”从确定性工作流演化为目标导向 agents

• 公司最初注册名为 San Francisco Droid Company，直到法律顾问提醒他们，Lucasfilm “特别喜欢诉讼”。“Factory”一名部分来自 actor-critic equation——把“actor”放进一个函数后得到了“f-actor-y”——部分则来自软件中的 factory-method 联想。

• “Droid”之所以保留下来，是因为当时“agent”意味着一个不可靠的无限 while loop：没有指导地不断采取行动。早期 droids 更接近工作流：异步、事件触发，并由确定性或半确定性的行为引导。

• 随着模型和 guardrails 改进，droids 在任务执行方式上变得相对不受约束。规划、决策和环境 grounding 让它们能够在长时间跨度内保持松散的目标导向，因此创始人承认，“agent”如今才是技术上更准确的描述。

• 平台围绕 3 类重复性工作展开：知识与技术写作、代码和可靠性。代码 droid 是日常主力；可靠性 droid 会汇总事故证据、产出根因分析，并处理 SRE 式调查——这些工作原本往往要由人在凌晨 3:00 值班时完成。

4. 企业上下文被视为 worker 的组成部分，而非可选检索项

• Factory 的界面重点展示活动日志和上下文面板，详细代码审查则留到任务完成后。目标是让用户看见 droid 正在做什么，提供一幅“通往其大脑的 X 光片”，而不是强迫用户盯着每一行代码逐字出现。

• Factory 已接入 Linear、Jira、Slack、GitHub、Sentry 和 PagerDuty 等系统。Matan 将其与人类工程师需要的更广泛企业信息源作比较，包括 Notion 和 Datadog：只把 agent 扔进代码库，等于让一个工程师入职，却不给他 Slack、工单、文档或生产遥测数据。

• droid 不要求用户先写出完美模板，而是先搜索、提出计划，再围绕 mockups、按钮行为、字段以及缺失实现提出有针对性的问题。Matan 用管理工作作类比：好的委派会在适当之处给予自主权，但会提前讲清硬约束，避免隐藏假设最终导致结果不达预期。

• Factory 会主动合成关于环境配置、仓库结构和模块关系的“synthetic insights”。droid.yaml 可以补充指导规则；来自其他供应商的规则则会被选择性吸收，因为这些文件经常包含弱工具所需的额外指令，Factory 只保留自己尚不了解的部分。

5. 委派需要不同的界面，也让测试更有价值

• 在对话过程中，droid 修改或新建了约 12 个文件，运行了代码，随后还可以被指示创建 GitHub pull request。内置浏览器能够查看 HTML 和 SVG；尽管操作对象是 Factory 庞大的 monorepo，任务也只消耗了 43% 的上下文。

• 这次演示的关键在于时间维度：创始人进行播客对话时，agent 同时在后台工作。他们设想的工作流是启动一个任务，再启动一个，而不是等待时刷手机；云原生并行能力让开发者可以在一天开始时，同时把多项工作推入执行状态。

• Matan 认为，把 IDE 演化成这种界面，就像通过渐进式改造把马变成汽车。如果人类编写的代码占比持续下降，那么最优界面很可能不会直接继承自那套为“编写 100% 代码”而优化的工具。

• 人类时间因此应转向理解、规划和测试。创始人期待 agents 终于兑现 test-driven development 的承诺：droid 只有通过人类信任的测试，才算完成。主持人提出了一个有用的限定：功能发生变化时，有时测试本身也需要修改；创始人承认，困难的验证问题仍然存在。

6. 模型升级会带来行为冲击，Factory 必须吸收这些变化

• 从 Sonnet 3.5 切换到 3.7 后，企业用户注意到，相同的熟悉 prompt 突然会触发某些行为更多或更少；Gemini 可能会因为更长的上下文而被选用。Factory 正在判断，何时应充当“减震器”，何时则意味着推理模型真正不同，需要教用户采用新的交互方式。

• 它的评测栈把基于任务的 benchmark 与行为规范结合起来。前者部分建立在 Aider 风格的代码编辑和文件生成工作之上；后者则把高层原则转化为任务、rubrics 和 graders，用于评估诸如面对歧义时是否提问、面对详细指令时是否执行且不过度打断等差异。

• 主持人引用了运行一次 SWE-bench 需要 8000-15000美元的估算，但 Matan 表示，“粗柱对细柱”确实能赢得客户。Matan 也同意，Factory 并不优先在该项 benchmark 上竞争，因为企业工作有所不同；而日常内部反馈往往能更快暴露行为变化。

• 大量 post-training 如今给模型植入了供应商特有的工具偏好：Sonnet 3.7 “闻起来像” Claude Code，Codex 也带有类似的 CLI 取向指纹。模型可能坚持使用 Grep 或 Glob，而不是更好的搜索工具。Factory 目前认为，外部 scaffolding 比通过 fine-tuning 把模型冻结在某种行为上更具杠杆，但正在建设兼容未来 post-training 的 benchmark，并希望获得持续 1-3 小时的目标导向轨迹。

7. Token 定价让 Factory 与有效产出对齐，但指标仍然难以捉摸

• Factory 对团队接入和新增用户收取少量固定费用，随后按“standard tokens”直接对使用量计费，并以标准模型作为基准。创始人拒绝不透明的 credits：理解 tokens 的用户可以判断效率，而 Factory 也一直在努力降低每个结果所需的推理量。

• 统计口径不止于被接受的 completions 或成功的聊天 session，还延伸到 pull requests、合并代码和最终交付物。即使上下文达到 10亿 tokens，检索仍不可或缺：把所有内容塞进 prompt 依旧昂贵，而从大型 monorepo 中精准筛选内容，可以在不依赖“把整个仓库扔进去然后祈祷”的情况下压低成本。

• 创始人以约 3 周作为代码 churn 的示例窗口：如果一行已合并代码在更短时间内再次被修改，可能计入 churn，而不是长期重构。成熟的大型代码库可能处于 3%-4%；维护糟糕或变化迅速的代码库则可能达到 10%-20%，而对 Atlassian 这样的公司而言，10% 就意味着巨大的浪费。尽管如此，创始人发现，满意的买家很少需要复杂的 ROI 仪表盘：开发者的主观感受和明显加速的交付速度已经足够。

8. 当官僚流程变得可由机器执行，Legacy 迁移便会大幅压缩

• 据报道，最强的结果来自一家大型上市公司的迁移项目：周期从 4 个月降至约 3.5 天，且全程零停机。对创始人而言，这个时间结果对工程 VP 的说服力，高于 commits、代码行数或人为构造的生产力分数。

• 他们给出的具体案例，是一家全国性医院系统将一套运行了 20 年的 Java 代码库迁移到 Java 21。按照传统流程，需要 4-10 名顾问和 1 名项目经理分析依赖、编写文档、制定策略、创建 epics 和工单、分配有顺序的工作；任何一个依赖项延误，都会进一步造成等待。

• 在 Factory 中，1 个人就可以请求代码库分析和模块文档，要求生成迁移计划，创建 Jira 或 Linear 工单，识别依赖关系，并启动并行 droid sessions。人类审查改动和 CI 结果后完成合并，限速环节由实施人员数量转向“人类能多快地恰当地委派这些任务”。

• 对大型客户，Factory 确实采用 forward-deployed 方式，因为这种工作方式对用户而言并不熟悉。在一次迁移中，其团队与客户的 2 名工程师并肩工作，直到他们“看到了光”；这 2 名工程师随后成为内部拥护者，帮助 Factory 建立信任，而不是假设一个足够强的产品就能自动改变开发者 20 年来的习惯。

9. 采用率、语义可观测性和技术型 go-to-market 是下一阶段的约束

• 主持人提到与 Together AI 讨论过的每秒 5000 tokens 目标。Factory 的回答是有条件的：更快的输出会让委派更具魔法感，并降低采用门槛，但不会实质性改变受组织性工作约束的企业迁移。更快的推理若能同时降低成本，意义会更大，因为这将支持并行生成技术，而目前这种技术带来的质量提升还不足以覆盖其成本。

• 传统 traces 并不是最难的可观测性问题；LangSmith 被称为“非常棒”。尚未解决的需求，是在看不到客户代码、且不满意具有主观性的情况下实现语义可观测性：用户原本想要什么，结果是否让他觉得正确？主持人认为 Amplitude 或 Statsig 在概念上更接近这一方向；Matan 表示自己希望看到这样的发展，并认为 observability layer 内部可能也需要 LLM。

• 按他们的说法，Factory 用了约前 1.5 年打磨企业交互模式，随后在过去 90 天看到 Fortune 500 部署通过转介绍和 CEO 对话“爆发式增长”。要放大这种拉力，就需要招聘能够与 CIO 沟通、又能坐到开发者身边的技术型客户人员；内部给这一角色的原型称呼是“初级 Eno”。

• 设计被视为运营基础设施，而不是装饰。Matan 的哥哥 Cal 确立了 logo 和品牌，为一支工程师占主导的团队带来了非工程师视角，而 droids 本身也可以消费并模仿这种设计。更广泛市场扩张的收尾信号是：据称，一些此前并非开发者的人，使用 Factory 的程度超过了一家 100 人规模的企业。