你见过能自己招人、分工、验收、复盘的AI团队吗?LegoFlow不是在模拟单个程序员,而是直接复刻了一整支软件工程小队的协作逻辑。Root是项目经理,把模糊需求拆成任务清单;Curator像资深PM兼测试,从1200万条GitHub PR里扒出5000个真问题,淘汰率99.95%;Tracer是核心开发,不光写代码,还边跑边录下每一步思考路径;Evaluator不讲情面,拿SWE-bench Verified这种硬核基准当考卷——连改卷都自动批改、打分、生成错因报告。

最狠的是它不靠人盯流程。Qwen3.5模型一开始在SWE-bench Verified上只有7.6%的通过率,两轮自我迭代后飙到64.4%。怎么做到的?不是调学习率,而是让智能体自己看评测报告,反推“是不是任务太水”“轨迹太浅”“训练数据分布偏了”,再回过头去改Curator的筛选规则、让Tracer多走几层推理链。这不是微调,是整个数据工厂的自我诊断和产线升级。
这背后没用什么黑科技,就是把真实工程里的角色切片搬进AI世界:每个block自带环境、脚本、依赖,像一位坐工位的工程师——Curator不用求别人开权限,自己拉仓库、跑CI、验结果;Tracer不靠提示词硬凑,而是在沙箱里真编译、真报错、真调试。开源的LegoFlow-SWE数据集里那2780条轨迹,全是这么‘跑’出来的,不是LLM胡编的。现在这套逻辑已经跑通了代码训练全链路,下一步,是让AI团队自己接需求、写PR、合代码、发版本——工程师还没失业,但工位上,可能很快要多一把AI同事的椅子。
有人问,这不就是把人换成AI,再套个流程壳子?还真不是。传统自动化工具像Jenkins、GitHub Actions,干的是“执行”,而LegoFlow干的是“判断”——比如Curator看到一个PR描述里写着“修复登录慢”,它会主动查监控日志、比对前后端耗时曲线、翻用户反馈关键词,再决定这算不算真问题;Tracer写完一段鉴权逻辑,不等人工点运行,自己启动3种边界用例+1次模糊测试,失败了就回溯到哪行变量没初始化,而不是笼统报“测试不通过”。
更关键的是,它不怕“错”。开源社区早有共识:SWE-bench里近40%的题目,连资深工程师第一次也得试两轮。LegoFlow的Tracer平均调试6.2次才搞定一个任务,每次失败都存成结构化日志——哪步假设错了、哪个API文档被误读、沙箱环境缺了哪个依赖包。这些不是噪音,是下一轮迭代的燃料。MIT去年发布的《AI Engineering Feedback Loop》报告里明确指出:当前大模型代码能力瓶颈不在生成质量,而在缺乏可沉淀、可追溯、可归因的失败经验闭环。LegoFlow恰恰卡在了这个缺口上。
当然,它现在还不会写技术方案文档里的“背景与目标”那段话,也不懂怎么跟产品吵架争取排期。但有意思的是,团队在内部灰度时发现:当AI团队和人类工程师共用一套评审标准(比如必须附带复现步骤、错误堆栈、对比截图),人类反而开始模仿AI的表达习惯——PR描述变短了,但信息密度高了;周报里“做了什么”少了,“为什么这么选”多了。技术演进最真实的信号,往往不是机器多像人,而是人开始不自觉地向机器学怎么更精准地思考。
所以别急着谈替代。比起“谁写代码”,接下来三年更值得盯住的是:哪家公司最先让AI团队参与Code Review投票?哪个开源项目开始接受AI署名的Contributor?当LegoFlow跑通的不仅是SWE-bench,而是真实交付给中小企业的CRM定制模块时,我们讨论的就不再是“要不要用”,而是“怎么一起定规则”。毕竟,工位上多出的那把椅子,从来都不是空的——它坐的是新分工,不是新对手。
启恒配资提示:文章来自网络,不代表本站观点。