免费POC, 零成本试错
AI知识库

AI知识库

学习大模型的前沿技术与行业落地应用


收藏

15 个 Agent 组成研发小队:多智能体协作的端到端研发体系

发布日期:2026-10-14 10:55:59 浏览次数: 1968
作者:阿里云云原生

微信搜一搜,关注“阿里云云原生”

推荐语

AI编码已经提速,但需求上线交付周期依旧很长,来看看这套多智能体协作研发方案。

核心内容:
1. AI编码领域的发展进程与现状
2. 交付周期冗长的核心原因分析
3. 15个Agent组成研发小队的实践方案

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家

这几年,AI 写代码的能力进步很快。把一个需求交给 Coding Agent,它已经可以读代码、改代码、跑测试,甚至准备好 PR。但在实际研发中,我们会遇到一个问题:代码写得更快了,一个需求从提出到上线,为什么还是要花那么长时间?

围绕这个问题,我们尝试用 AgentCore 把 15 个不同分工的 Agent 组织成一支研发小队,让它们参与完整的交付流程;再通过 AgentLoop 分析运行过程,持续改进这支小队的表现。这篇文章就聊聊,这套方式怎么工作,以及我们在实践中遇到了哪些问题。

01

AI 已经走向“持续做事”

Cloud Native

最早使用 Chatbot 时,我们通常是问一个问题,等它给出回答。它可以帮我们整理知识、写文案、做摘要,但遇到复杂问题,回答的可靠性还不够稳定。

AI 能力演进:从生成答案到完成多步任务

后来,以 DeepSeek R1 等为代表的推理模型,开始通过更充分的思考处理复杂问题。再往后,模型有了工具调用能力,可以读取外部信息、执行命令、修改文件,开始真正参与任务。

有了这些能力,下一步就是让 Agent 持续工作:观察环境、执行操作、检查结果,遇到问题后调整方法,再继续推进。

在 Coding 场景中,这种进步已经比较明显。相关基准测试指标从约 33% 提升到了 70% 以上。与此同时,AI 能够承担的任务也越来越复杂。如果用人类专家完成任务所需的时间来衡量,这个时间跨度大约每七个月就会翻一倍。

对研发团队来说,这带来了新的可能:我们可以开始考虑,让 Agent 参与更长的工作流程,承担更多需要连续推进的任务。

02

代码写得快了,交付为什么还慢?

Cloud Native

拿团队里一个复杂 Feature 的典型流程来估算,从需求提出到上线,大约需要 20 个工作日,其中代码实现只占两天。假设 Coding Agent 能把编码速度提高十倍,这两天就能缩短到 0.2 天。但放到完整流程里,交付周期只是从 20 天变成了 18.2 天。

剩下的时间花在哪里?

需求要讨论清楚,Spec 要反复确认,方案要结合现有架构。代码写完后,还要测试、Review、跨模块联调,再准备发布。中间一旦发现问题,又可能回到前面的环节重新调整。所以,编码提速之后,需求确认、协作、验证和等待这些环节就变得更加突出。

我们接下来想做的,就是让 Agent 也能参与这些工作,把整个流程接起来。上下文可以随着任务向后传递,验证结果可以直接推动下一步,人则把精力更多放在目标、架构和风险判断上。

Coding 提速与端到端研发交付周期
03

把 15 个 Agent 组织成一支研发小队

Cloud Native

我们的做法,是把研发流程里不同角色承担的工作,拆成不同的 Agent,再通过 AgentCore 把它们组织起来。

AgentCore 研发小队的角色、调度与共享上下文

这 15 个 Agent 组成一个能力池,由 Leader 根据任务需要调度。每个 Worker 都有自己的 Skill、Tool 和上下文,也有明确的职责。

图片

一个任务进来后,Leader 需要判断:先做什么,交给谁,完成后怎么检查,出现问题后又该回到哪里。

比如,测试没有通过,就回到原来的 Code Session 继续修复;如果发现方案方向有问题,就带着失败证据重新做 Research 和 Explore;如果反复尝试仍然不能收敛,就触发 Human Gate,请人补充判断。

这里很重要的一点,是把任务状态保留下来。前一个 Agent 做了什么、为什么这样做、验证时发现了什么,后面的 Agent 都应该能接着使用。

任务可以从 Issue 开始,也可以通过 Chat 补充信息。最终交付的内容,除了代码和 PR,还包括测试报告、审查证据、进度、阻塞信息,以及完整的运行轨迹。

我们的目标,是让这支小队能够从需求一路推进到经过验证的交付,并进一步向自动部署上线延伸。

04

流程跑通以后,新的问题也来了

Cloud Native

把 Agent 组织起来、跑通一次任务,只是第一步。进入真实研发流程后,我们逐渐遇到了几类持续性的问题。

首先,需求说清楚了,架构约束却未必传到位。

比如,我们希望在已有 API 上扩展能力,但如果没有把这个约束告诉 Agent,它可能会选择新增一个 API。单看当前任务,这种方式可能更容易完成;放到整个系统里,却不符合团队的设计要求。

这类信息往往存在于代码、文档和人的经验中,需要整理出来,并随着业务变化持续更新。

业务 Agent 上线后的四类持续性问题

其次,真实场景总会带来预料之外的问题。

传统软件可以围绕已知功能路径设计测试。AI 应用的输入更加开放,用户可能换一种问法,也可能提出设计时完全没有考虑过的问题。

例如,在外卖应用里询问 Python 程序怎么写,就已经超出了原有业务范围。我们很难在第一天就把这些情况全部覆盖,只能在运行中不断发现和补充。

第三,同样的问题可能反复出现。

一次任务跑通,不代表后续都能顺利完成。代码、业务规则和运行环境都在变化。如果没有持续积累经验,Agent 就可能反复踩同一个坑,消耗时间和 Token,最后仍然需要人来处理。

第四,修好一个问题,也可能影响其他任务。

改了一个 Skill,当前案例通过了,另一个案例却可能退化。因此,每次优化之后,都需要有一套相对稳定的 Benchmark 和回归验证,帮助我们判断整体表现有没有改善。

这些问题也让我们意识到,Agent 需要一套持续运行、观察和调整的机制。

05

用 AgentLoop,

把运行结果变成下一轮改进

Cloud Native

AgentCore 与 AgentLoop 的运行与调优闭环

我们把 AgentCore 作为运行面,把 AgentLoop 作为优化面。

AgentCore 负责带着这支小队完成任务。AgentLoop 则记录和分析任务是怎么完成的:调用了哪些模型和工具,在哪里失败,发生了多少次返工,最后的结果是否符合要求。

这些 Trace、Session 和 Trajectory 数据,经过 Pipeline、Dataset、Evaluation 和 Experiment,可以变成可复现的样本、可比较的指标,以及能够反复验证的实验。

这样,我们就能从一个具体问题出发,找到原因,调整 Skill、Tool 或协作流程,再运行一次,看看是否真的有所改善。新的运行又会产生新的轨迹,继续进入下一轮调优。

在这个过程中,我们用了三种方式,习惯上把它们叫作手动挡、半自动挡和自动挡。

手动挡,由业务专家来主导。专家先定义清楚什么是好的结果、要看哪些指标、用什么 Rubric 评估。评估后找到 Bad Case,把它们放进数据集,再通过实验比较不同方案。

半自动挡,由系统提供优化建议。比如,哪些任务消耗了过多 Token,哪些步骤效率偏低,哪个工具持续报错。系统把这些问题整理成报告,业务专家再根据报告做针对性的调整。

自动挡,则通过经验库持续积累和复用经验。按照 RAC 的思路,系统从轨迹中提取经验,再动态注入 Agent。经验的沉淀和注入可以自动完成,专家不用逐条整理,Agent 也能在后续任务中用上之前积累的经验。

这三种方式可以配合使用:专家定义目标,系统辅助分析,经验库负责持续积累。

06

在 Coding 场景里,我们怎么调优?

Cloud Native

我们主要做了两件事:用专家实现建立离线基线,再从真实运行中持续积累经验。

基于 AgentLoop 的离线 Benchmark 与在线经验调优实践

先说离线实验。

我们从代码库里选了 20 个质量较好的人类专家 Commit,再根据这些代码生成对应需求,构建一套 Benchmark。

然后,让 Agent Team 来完成这些任务,把它的结果和专家实现放在一起比较:方案有没有偏差,代码实现有什么问题,验证是否充分,Agent 之间的分工是否合适。找到问题后,我们调整系统,再跑一轮实验和回归测试。这样,每次调整都有一批相对固定的题目可以检验,也能更清楚地看到哪些地方进步了,哪些地方还需要继续改。

再说在线经验积累。

真实任务会不断产生新的轨迹。经验库可以从中沉淀同类问题的 SOP、较好的执行路径,以及工具调用和工具路由中的反模式。比如,某种调用方式经常出错,就把这个模式记录下来,让 Agent 下次遇到相似情况时能够规避。某类问题有一条比较好的解决路径,也可以把它整理成经验,在后续任务中复用。

离线实验帮助我们对照专家基线,在线经验则让系统持续吸收真实任务中的反馈。

在多 Agent 的协作方式上,我们采用了一个不断迭代的 Loop:先调研,再探索方案,完成实现后进行验证和比较。如果没有达到验收条件,就带着反馈继续下一轮;满足条件后,再进入交付。这和 ReAct 中观察、行动、获取反馈的思路相似,只是我们把它用到了多个角色的协作中。

实践中,有两个做法比较重要。一个是让实现和验证由不同的 Agent 承担,使验证有独立的视角;另一个是在迭代时保留必要上下文,让下一轮能够接着已有证据和历史尝试往前走。

07

先从范围明确的场景做起

Cloud Native

Coding 任务的开放性很强,同一个需求可能有很多种实现方法。因此,我们先把任务范围和验收条件限定清楚。目前,已经有两个场景的样例上线。

Coding 场景的交付案例和阶段性结果

其中一个场景来自 Trace to Trajectory 服务。这个服务负责把 Trace 数据转换成轨迹数据,线上会不断遇到新的解析异常。

当出现无法解析的 Bad Case 时,我们把相关信息写入日志,通过告警触发新的 Issue,再启动研发小队,完成问题定位、代码修复和验证,最终形成经过验证的交付。

在最终验证中,我们选了 19 道题。其中,约 10 道题的实现结果与人类专家方案近似等价,另有 5 道题接近专家水平。在这些受约束场景的实践中,交付周期也从原来的约一个月缩短到了一周以内。

对我们来说,这项实践最有价值的地方,是开始把需求、实现、验证和反馈连成一个完整流程。AgentCore 让多个 Agent 像一支团队一样协作,AgentLoop 则帮助这支团队记住做过的事,从每一次交付中积累经验,逐步把后面的任务做得更好。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅