【标题】AI智能体助GM工程效率三倍提升
工程师15%时间编码，AI智能体重塑GM工作流程
通用汽车(GM)自动驾驶部门副总裁拉希德·哈克(Rashed Haq)在近期VB Transform 2026活动的现场访谈中表示，该部门软件工程师仅有15%的时间用于编写代码。其余85%的工作，包括分析车辆数据、排查问题、运行实验和测试潜在修复方案，现正由AI智能体加速完成。
哈克指出，这一转变带来了显著成效：GM自动驾驶工程组织的合并拉取请求数量增加了约三倍，软件发布速度加快，且在开发后期阶段逃逸的缺陷明显减少。
哈克强调，GM通过重新设计完整的工程工作流程来实现这些成果，而不仅仅是添加一个AI编程辅助工具。他在加州门洛帕克豪华酒店Nia的主舞台炉边对话中表示：”如果只给人们一个能编码的聊天机器人，过程中仍存在大量低效环节。”
智能体AI出现前，工程师工作重心在编码之外
GM的15%比例看似惊人，但在生成式和智能体AI兴起前的研究已得出类似结论。2019年微软基于5,971名专业开发者的回应进行的研究发现，开发者在工作状态良好的日子里平均花费96分钟编写代码，状态不佳的日子则为66分钟，分别约占8小时工作日的20%和14%。2018年Stripe的调查发现，开发者平均每周花费17多小时进行调试和重构等维护工作。
行业并无统一基准：微软研究人员指出，早期研究将编码时间占开发者工作时间的比例定位在9%至61%之间，具体取决于研究人员如何定义和衡量工作。但这些发现强化了哈克的核心论点：在智能体出现之前，编写代码仅代表软件工程的一部分，仅加速这一步骤会使开发过程的大部分环节保持不变。
GM将其自动驾驶工作分为几个循环：在模拟环境中开发和测试软件、在公共道路上测试车辆，以及监控交付给客户的车辆。然后，他们在每个循环中寻找最长的瓶颈，自动化它并重复此过程。
为智能体提供内部工具与数据访问权限
GM通过定制的模型上下文协议(MCP)服务器将智能体连接到内部工具和公司数PB的数据。他们还创建了版本控制的”技能”或指令文档，告诉智能体如何执行特定任务。
一个高价值应用涉及从公共道路上收集的遥测数据。智能体可以分析这些数据，进行初步分类，并为工程师创建需要调查的问题。通过MCP连接，他们还可以调用WebViz(GM用于可视化车辆遥测的系统)的底层工具，而不是依赖人们看到的相同图形界面。
智能体的输出必须对工程师有意义。”输出必须是人类可读的，”哈克说。一个智能体可能识别潜在问题，定位受影响的组件，搜索历史数据中的类似事件，并提供支持其结论的例子。
GM基于使用智能体的工程师权限来设置智能体权限。”如果工程师要执行此任务且需要访问这些内容，那么他们的智能体也需要访问这些内容，”哈克表示，”工程师仍需对智能体的输出负责。”
该公司还使用后台智能体并行运行机器学习实验。工程师定义实验及其参数，然后智能体执行测试并收集结果。
三倍拉取请求增长，缺陷逃逸减少
GM将内部智能体平台视为一个产品，并分配四名已部署的工程师直接与工程团队合作。他们帮助员工识别有用的工作流程，推广成功实践并采用这些工具。
哈克表示，合并拉取请求的增加代表了不仅仅是代码量的提升。”我们发布新功能的速度提高了，”他说，同时发布的版本”减少了测试逃逸、缺陷逃逸”和其他问题。
关键控制点仍由人工负责。哈克表示，GM在加速更广泛的工作流程前建立了结构化和非结构化测试以及性能测量。工程师审查这些测量，并确定每个测试是否仍能捕捉其预期目标，然后工作才能向生产环境推进。
哈克表示，GM最初预计会有更温和的生产力提升。”我认为唯一的惊喜是我们能够完成的工作量，”他说。
GM的方法并非从给每位开发人员提供代码生成器开始。它始于在每个循环中从问题发现到验证修复的完整路径映射，然后赋予智能体访问缩短每个阶段最长瓶颈所需工具和数据的受控权限。
关注微信号：智享开源 ，及时了解更新信息。
公众号：智享开源
还没有任何评论，你来说两句吧！