跳到正文
AI Engineer(youtube.com)· Prasanna Sankar·· 12 天前品質評分58

合併才是瓶頸——專訪 Vorflux 的 Prasanna Sankar

合併才是瓶頸——專訪 Vorflux 的 Prasanna Sankar

重點導讀

Vorflux 的 Prasanna Sankar 認為,AI 程式代理已把瓶頸從寫程式轉移到專案管理與合併協調上;他也介紹 Warflex 2.0 的自動代理(autobot),能從逐字稿與告警中捕捉意圖,同時執行 20 至 30 個平行任務。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Prasanna Sankar 是三度創業的 Y Combinator 創業者,他先前的公司 Rippling 如今估值超過 100 億美元。他主張,AI 寫程式的關鍵瓶頸已從「寫程式」轉移到「專案管理」——也就是察覺工作、啟動工作、把工作做完——而下一步是全天候自主運作的「Autobots」,會主動啟動人類根本沒要求的工作。他在訪談中談到自己目前這家 YC 梯次的公司 Warflex(募資約 1,500 萬美元),大部分時間都花在說明他認為開發者要完全離開桌機之前,必須依序移除的一連串瓶頸:雲端環境建置、規劃、排程、測試、程式碼審查與合併。標題點出的合併瓶頸只是這份清單上的其中一項,只佔了幾句話;整集節目的主體其實是逐一走過另外五項瓶頸,外加推銷 Warflex 2.0。

Sankar 的江湖地位來自他自述的這條路徑:18 歲時被評為全印度第一的程式設計師,兩度打進 Google Code Jam 與 ACM ICPC 世界決賽,在 Microsoft 待了一年,之後讀了 Paul Graham 的文章,約在 2009 年移居矽谷。正因為這樣的背景,他談到自己親眼看著模型在純推理能力上超越他,以及那些在比賽中擊敗原生 Claude Code 或 Codex 配置的推論時運算(inference-time compute)框架,成了整場訪談最具體的部分。讀者讀完應該能帶走三樣東西:他逐項拆解瓶頸的框架、他論證為何天真的「自動解 alert」行不通,以及他自稱的北極星——「零員工公司」。

瓶頸不斷往技術堆疊上層移動,每一階都是一個產品

Sankar 的核心框架是:移除一個限制,下一個限制就會浮現,而每一個浮現的限制,就是他投入 Token 與工程資源的地方。他描述的是一道階梯:桌機寫程式大約只能容納 3 到 5 個平行任務;長時間執行的雲端代理把這個數字拉到 20 到 30 個;到了那個規模,他自己的上下文視窗就撐不住了,專案管理於是成為限制。他把這點扣回模型訓練的趨勢,說近期前沿模型的進展主要來自排程——由一個主代理負責規劃與追蹤,把吃重的工作丟給擁有全新上下文視窗的子代理。

階層瓶頸Warflex 的解法宣稱效果
1雲端環境建置子代理開一臺裸的 EC2 執行個體、接好連線埠、處理機器金鑰、身分驗證與種子資料複製本地主機環境,讓使用者能離開桌機
2規劃平行的「探索」子代理先產出設計,再產出「計畫的計畫」與一份摘要取代每分鐘一次的人工來回
3排程計畫產出相依關係圖,子代理預設各自認領獨立的片段讓大型任務平行落地
4測試在雲端機器上跑瀏覽器測試與端到端測試;每個功能附上影片佐證與預備環境連結讓 localhost 不再是測試的必要條件
5程式碼審查多個審查子代理從不同角度切入,內建於可自訂的框架(例如用 Claude 寫、用 GPT 審)減少審查卡關
6合併合併佇列持續 rebase,讓分支隨時可與 master 合併,並把 PR 落地在節奏快的團隊中處理大量平行 PR

他把這整串流程稱為「Warflex 1.0」,約在訪談前兩個月(也就是 2026 年 9 月左右)推出,並說它「真的起飛了」。合併佇列是節目標題點名的那一項,但在這裡只以清單第六階的身分出現。

天真的自動化讓團隊吃過苦頭;解法是有預算、有主場頻道的機器人

根據 Sankar 的說法,Warflex 2.0 是一組「Autobots」——被賦予目標與主場頻道、接上 webhook、會自己啟動工作的全天候同事。他論證為何現在可行:代理任務佇列裡躺著的工作,大多不需要人來啟動,因為意圖早就存在於客戶通話逐字稿、生產環境告警或程式碼庫裡了。他說,任務佇列「只會以餵它的人的速度前進」。

他明白指出,過去嘗試這類做法都失敗了,而且留下傷痕。他把「把公司所有事件一股腦灌進自動化」的失敗模式列了出來:

  • PR 如洪水般湧來,卻沒人有時間合併
  • 三不五時就來一則一次性的通知
  • 告警被消音,根本原因卻沒修
  • 代理為了一件沒人想要的事跑上好幾小時,Token 帳單瞬間爆掉
  • 一個黑箱,沒人敢把重要的事交給它

他的替代方案是拿新進員工來類比:先給重要的事,初期預期要頻繁回報,工作表現站得住腳再擴大範圍,讓它待在預算之內,並讓它的行動看得見。他說:「沒有人會僱了一個人就叫他解決所有事。」產品內建一套有主見的預製機器人目錄,裡頭承載著他自己的品味與判斷,使用者可以自行修改。他點名的例子包括:一個 on-call 機器人,負責分流 Sentry 與 PagerDuty 的告警,先自行調查再找工程師;一個 CI 機器人,持續加快建置速度;一個專案經理機器人,把專案收在單一頻道裡,每天回報進度與卡關事項;以及一個盯客戶通話的機器人。

一段客戶通話的實例,示範了預期中的迴圈:核准、核准、核准

Sankar 完整走過一個例子,來自他自己與一位友善客戶試用 beta 的經驗。某個機器人有 bug,通話結束後沒在 Slack 頻道裡回覆。他沒有截圖手動標記 Warflex,而是讓通話結束的 Autobot 去讀逐字稿,找出他在共享畫面上出現待辦事項的那個時間點,並在動手前先跟他確認。據他所述,接下來機器人標記了負責修復的工程師,帶著 PR 回來,取得工程師核准、合併、部署、結案,還草擬了一封客戶後續信,由 Sankar 核准後寄出。

他對理想體驗的總結很值得引用:

「我覺得未來就是這樣:核准、核准、核准。」

他補充,機器人會學習自己有多少把握,然後繼續推進,「像個員工一樣」持續進步。這是整集節目裡,最能清楚說明他主張的一例:人的角色轉向判斷與核准,例行執行則交給迴圈自動跑。

贏得比賽的是框架,不只是模型

技術細節最具體的一段,是 Sankar 談軟體代理真正成真的那一刻:Opus 4.5 發布,他說是「將近一年前」的事(所以大約是 2025 年底)。他說,在那之前,軟體只是 IDE 裡的自動補全;在那之後,代理能自行運作好幾分鐘,足以讓人跳過 IDE、直接在終端機裡工作。他原本預期那幾分鐘會愈拉愈長,而事實也確實如此。

他還提出一個對任何要編列推論預算的人都很重要的區別:在程式競賽中勝出的框架,並不是原生 Claude Code 或 Codex 的配置。它們花了遠更多的推論時運算,才達到「更高階的智慧」。這個觀察正是 Warflex 的直接起點——他想要一個對自己更有槓桿的框架,願意多花 Token 來換時間。同樣的邏輯也貫穿他對成本的建議:團隊可以帶入既有的 Claude Code 或 Codex 訂閱;用量大的 API 客戶則可把規格明確的工作導向開源模型,把前沿模型留給判斷與溝通。

從零到一的工作留給人;意圖已存在於訊號裡的工作交給機器人

Sankar 把工作分成兩類。從零到一的工作是真正有創造性的部分,客戶甚至連自己要什麼都說不清楚;這種工作靠品味與判斷,他說他很喜歡做。其餘的他稱為「端到端加一」——意圖已經充分存在於公司各種訊號裡的工作,可以交給 Autobots。他的北極星是「零員工公司」,但他謹慎地把這定位成一個方向而非終點:「北極星告訴你該往哪走,不是說你一定會抵達。」他指出,十個人撐起一門龐大的生意,四捨五入就是零;而有些職責還沒準備好交出去。

他最後以市場觀點收尾:他相信我們很可能正處於超級智慧的起飛期,有公司能在極短時間內做到破紀錄的營收,成長率是他這輩子沒見過的。用他的話說,這個領域也是史上競爭最激烈的之一。他說,現有的大廠並沒有在轉型;這波圈地會由品味好、判斷準、人均槓桿高的小團隊拿下。他給現場聽眾的建議是:把從零到一牢牢抓在手裡,能搶多少地盤就搶多少。

特斯拉的類比說明的是方法,不只是產品

Sankar 打造 Warflex 的方法,明確借鏡特斯拉做 Autopilot 的做法:先剖析模型在哪裡出錯,然後一次處理一個介入情境,逐一攻克。套用到軟體上,就是剖析人類的時間花在哪裡、找出瓶頸,然後把 Token 與智慧砸下去——接著等下一個瓶頸出現,再重複一次。這就是為什麼整場訪談的結構是一道階梯,而不是一份功能清單;也說明瞭他為何把每一階(建置、規劃、測試、審查、合併)都當成各自有 Token 預算的獨立問題,而不是一個大一統的代理。

尚未解開的張力,正是他自己點出的那一點:Autobots 一定會出錯,而信任模型——預算、回報、看得見的推理過程、一份預先審核過的行為目錄——才是真正的產品賭注。一個在使用者設定的界線內自行決定下一步做什麼的機器人,能不能贏得足夠的信任、獲準無人看管地執行,將是 Warflex 接下來一年的使用情況要回答的問題。

來源: AI Engineer (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論