一名开发者在 Linear 里写好工单、打上几个标签就走开,回来时 GitHub 上已经有一个完成的拉取请求,测试、lint、类型检查和构建全部通过。这正是一套围绕 Claude Code 和 T3 Code 构建的开源编排系统的设想:一座“软件工厂”,由 AI 智能体自行完成分诊、调查、实现与验证,只有当工单含糊不清或改动无法完全验证时,才把人拉进来。有意思的地方不在自动化本身,而在于一个决定:人究竟在哪里放手,又在哪里继续把着方向盘。

主厨与厨师

在这一框架下,软件工厂是一个自动化开发环境,智能体借助标准化的工具、工作流和项目知识来构建、测试和维护软件。常见的误读是把这样的系统当成“建好一次,撒手不管”。这里的观点是,完全不插手的编码在实践中行不通:就像一栋被拆掉承重墙的房子,缺少人工指引和护栏的流水线,产出质量会一路崩塌。

这种分工借用了 P-Stack 创建者的一个比喻。这位工程师此前曾参与 Cursor 的开发,据其自述,曾在 SpaceX 和 xAI 一个月内向生产环境交付了 2,500 个拉取请求。想象一间商业厨房,有一位行政主厨和十名厨师。主厨不会亲自煮每一锅面、尝每一种食材,而是统筹、分派、把关质量,在菜品需要时出手调整调味。映射到软件开发上,工程师就是主厨,编码智能体则是负责重复执行的厨师。

行政主厨在出菜口品尝菜品,十名厨师在各自工位上忙碌

▲ 智能体分工的主厨与厨师模型

两种失败模式分别位于两个极端。对每一行生成的代码都事无巨细地管控,等于放弃了使用智能体的速度优势;而让智能体盲跑,没有持续的上下文、没有最终签字确认,得到的就是那栋崩塌的房子。过去的手动工作流更接近第一个极端:打开 Cursor、Claude Code、T3 Code 或 Codex 之类的智能体,提示它去调查,盯着它写代码,手动测试,开拉取请求,然后合并。开发者实际上成了一个人肉“继续”按钮。

从工单到合并的流水线

工厂不接受随意的提示词,而是强制每个请求经过固定的阶段序列,这些阶段同时也是任务看板上的各列。

阶段 发生什么
工单 创建 Linear 议题并打上标签;触发 webhook
分诊 智能体判断任务是否可执行、定义是否清晰
调查 智能体复现问题或探索代码库
实现 以测试先行的方式实现改动
验证 运行 lint、测试、类型检查和构建;失败则回到实现阶段
拉取请求与 CI 在 GitHub 上开出带置信度评级和工作摘要的 PR
合并 置信度高时自动合并,否则交由人工审查

两个人工检查点是刻意设计的。在分诊阶段,模糊的工单不会被瞎猜;智能体会暂停,在工单上留言给出具体选项,并把任务移到“等你处理”列和一个集中收件箱。在合并阶段有两条路径。如果持续集成全绿、审查机器人没有标出问题、智能体报告高置信度,拉取请求就自动合并。如果智能体报告的置信度较低、遇到不明确的边界情况或拿不出完整证据,PR 就被指派给人工审查并进行必要的架构修正。演示中的仓库默认设置包括:云端执行、以 Claude Code 为执行框架、置信时合并、强制 Bugbot 安全审查,以及自动合并的最大差异规模为 300。

从工单到合并的流水线 否 是 是 否 创建 Linear 议题并打标签 分诊:工单模糊时暂停并询问 调查:复现问题或探索代码库 实现:测试先行的改动 验证:lint、测试、类型检查和构建 检查通过? 开出带置信度评级的 PR,等待 CI CI 全绿且置信度高? 自动合并 人工审查
▲ 从工单到合并的流水线

验证是自主的前提

只有当智能体能够以可重复、确定性的方式测试自己的工作,自动合并才有意义。这里由两个工具负责这一点。

P-Stack 是一套由操作手册、技能和辅助角色组成的框架,为智能体提供结构化的操作指引。一个入口路由器读取工单的约束条件,把它分派到功能开发、缺陷修复或调查的相应手册。本系统所用的实例包含 23 份手册、58 项技能和 12 个智能体角色定义。每份手册都强制经过范围界定、聚焦执行,以及对照客观证据的验证,之后智能体才被允许宣布完成。它的验证技能可以启动应用、驱动交互、读取控制台和命令行输出,并在事后清理。

TestSprite 负责 Web 应用的端到端浏览器测试。它要解决的是上下文问题:当编码智能体自己驱动浏览器时,反复的截图和 DOM 转储可能吃掉整个上下文窗口。TestSprite 则是探索运行中的应用,制定测试计划,交由并行测试智能体执行(最多同时 96 个),然后返回一份紧凑的结构化 JSON 报告,包含失败步骤、视觉证据、根因说明和修复建议。在一个例子中,它抓到了一处 Stripe 手续费计算漏掉了 $0.30 固定费用的问题——在 $100 的价格上算出 $97.10 而不是 $96.80——并把确切的组件修复方案交还给编码智能体。在一次真实测试中,把浏览器测试外包出去使 token 用量减少了约 50%,折合每个编码日节省超过 $20。这些是单一工作流的数字,节省幅度会因工具链而异。一个开源 CLI 让基于终端的智能体可以直接触发测试套件。

隔离的工作区:本地或云端

让多个智能体同时针对同一个仓库工作,前提是它们不会相互碰撞。在本地,每个任务都有自己的 T3 Code 线程和一个全新的 git worktree——一个带独立检出的单独工作目录——因此并行会话永远不会产生脏树冲突。在云端,每个任务都在 Modal 上从一个标准化的 worker 镜像启动自己的沙箱,镜像中固定了 T3 Code、Claude Code、Codex、P-Stack、Reporter 和项目手册的版本。Modal 为每个仓库保留预热镜像,源码已预先克隆、依赖已安装,所以启动很快,而且这条路径提供的横向并发能力实际上没有上限。

六个玻璃舱里机器人在编码,四个活跃、两个休眠,连接到一个控制柜

▲ 带空闲休眠的隔离沙箱

有一项成本控制尤其突出:沙箱空闲五分钟——通常是在等待人工答复或 PR 审查——就会自动休眠,收到回复时以完全一致的状态恢复。Modal 被形容为功能强大且免费额度慷慨,不过其他沙箱服务商可能更快或更便宜。

底层的管道

系统有三个自定义原语。Runner 是运行在本地机器(这里是一台 Mac Studio)上的后台脚本,监视新的工单事件,在几毫秒内认领,读取标签决定本地还是云端执行,启动线程或容器,监控健康状态并清理 worktree。它是工头,自己从不写代码。Reporter 监听每一个线程,流式输出阶段转换、token 计数和美元成本。Panel 是托管在 Vercel 上的仪表盘,有看板和列表视图、带时间戳的事件流,以及一个机器页面,显示每台已连接 runner 的负载、内存、磁盘和活跃子智能体。

Neon 作为无服务器 Postgres 后端把一切串起来。来自 Linear 的 webhook 落到一个接收函数,记录进一张不可变的事件表,Neon 原生的实时同步把每一行新数据推送给 runner 和仪表盘,无需轮询,也无需自建 WebSocket 服务器。GitHub 的 webhook 以同样方式回流,所以在 GitHub 上合并后几秒内任务就会移到“已合并”列。选择 Linear 是因为它的议题状态转换干净利落,但任何能发出 webhook 的来源都可以给工厂喂料;Slack 已经接入,GitHub Issues 等也在计划中。

路由靠标签完成。一张工单带有触发标签、仓库标签、“Runs on: Cloud”或本地标签,还可以选择性地指定执行框架覆盖,比如 Codex、Antigravity 或 Claude Code。全局设置选定默认执行框架和模型;Claude Opus 5.5 被视为自主工程最有能力的选择,Claude Sonnet 5.5、Claude Haiku 5.5 和 Claude Fable 5-1 也可选。仓库接入本身也是自动化的:智能体在沙箱里克隆仓库,推断安装和检查命令,然后开出一个包含 .factory/setup.json 配方的 PR(对演示仓库来说,是“bun install --frozen-lockfile”加上 lint、测试、类型检查和构建)。

三张工单的实际走向

三条 Linear 议题同时提交,针对一个小型食谱应用。收藏功能(星标按钮,持久化在本地存储中)很快通过分诊进入实现,产出了一个带测试的新组件。总烹饪时间功能在 Modal 沙箱中到达验证阶段,4 项检查全部通过,构建步骤报告耗时 145 毫秒,一次运行成本约 $0.35-0.38。第三张工单是故意写得含糊的(“让食谱书更好看”),在分诊时被拦下,停在“等你处理”列,并附上三个界定好范围的选项:仅视觉打磨、搜索与筛选发现,或以食材为中心的阅读视图。在收件箱里输入“就选 A”,任务便回到队列,继续经过调查和实现,最终成为 PR #6。

两个细节如实展示了系统的局限。烹饪时间那个 PR 尽管智能体表示有信心,却没有自动合并,因为 runner 镜像缺少渲染应用和截图所需的浏览器库。由于验证无法以实证方式完成,安全规则回退到人工审查,这个 PR 最终在 GitHub 上由人手动 squash 合并。第二个细节是建造成本:构建和打磨这座工厂消耗了大约 $3,000 的大语言模型 token,而且项目被描述为仍在进行中,存在尚未修复的缺陷。当某处需要仔细查看时,一个“Open in T3”按钮会生成一个 15 分钟内有效的配对链接,直通运行中的 Modal 容器,开发者可以在那里查看子智能体日志,并通过聊天引导智能体。

从中可以学到什么

核心观点是:自主性来自结构,而不是更大的提示词。无结构的“氛围编程”在这里被斥为老虎机;工厂用一台状态机取而代之,它的循环只在拿到证据时才向前推进。人的角色从打字员变成编排者,带着两个明确的中断点:前端是不清晰的工单,后端是未经验证的改动。

对于想尝试类似配置的人:

  • 工单要写得具体、可测试;模糊的工单按设计就会卡在分诊阶段。
  • 定义机器可读的设置配方,包含冻结锁文件的安装和完整的检查套件。
  • 只有在具备完整检查、受保护分支和审查机器人的前提下,才开启自动合并。
  • 给每个智能体独立的 worktree 或容器,并让空闲沙箱休眠。
  • 如果智能体必须以视觉方式验证 UI,确保沙箱镜像包含浏览器依赖。
  • 保留一个收件箱,让一行多选题式的回答就能解除暂停任务的阻塞。

整套技术栈已作为开源发布,这份蓝图可以复制、改编或参与贡献。