网络推广渠道询盘进来两小时内回复和两天后回复，成交率差好几倍。✈️@zhiyudata

你有没有想过，今天让 AI 改代码时纠正过的问题，下次还要不要再纠正一遍？比如它没看计划里的说明就动手，或者写了一堆用处不大的测试，你解释一番，它终于改好了。可到了另一个任务，甚至只是换了一个同事来用，同样的事情又发生了。一个小组每天花不少时间教 AI 怎么干活，这些时间到底有没有让后面的工作变得容易一些？

Warp 创始人 Zach Lloyd 最近讲的软件工厂，讨论的就是这个问题。他以前负责过 Google Docs 的工程工作，现在做的是让小组把一部分软件开发交给 AI。按照他的设想，AI 做过的任务应该能留下记录，从中找出反复出现的问题，再去修改整个小组使用 AI 的做法。他演示了一次这样的修改建议，其中同一类失败已经出现了 37 次。我觉得这个例子比“AI 能不能独立写出一个应用”更值得聊，因为它关系到一个小组用了几个月 AI 以后，究竟比刚开始时多了些什么。

Zach 接触的很多小组，已经给工程师配上了 AI 编程工具。大家在自己的电脑上开几个任务，让 AI 写功能、修问题，遇到不对的地方再补一句说明。这种工作做法很容易开始，也能帮上忙，但任务做得怎么样，仍然很依赖旁边那个人能不能及时发现问题、给出下一步指示。

他提到一个很实际的麻烦，每个人都在配置自己的工具和工作说明。有人花时间调出了一套好用的做法，另一个人可能完全不知道，还在自己试。等到小组想弄清楚某个任务为什么成功、另一个为什么失败，很难把两次的条件放在一起看。连 AI 当时读到了什么说明，都未必能说清楚。个人可以靠熟练解决这些问题，小组要把这种熟练传给其他人，就需要留下更多东西。

他还担心权限的问题。如果本地 AI 可以使用工程师电脑上已有的权限，一旦出了问题，受到影响的可能就不只是眼前这个任务。把工作放进隔离环境，小组可以更明确地安排它能接触什么。比如只想让它修改某个计划，就应该围绕这项工作供应所需的东西，而不用默认把工程师日常使用的整个环境都交给它。

所以，他主张把这些任务搬进云端隔离的运行环境，让小组能统一管控，也能保留过程。工程师仍然可以在平时用的聊天工具里提出需求，不一定要先学一个新界面，后面的任务则进入同一套架构。这样，一个人刚纠正过的问题，才有空间被其他人看见。对管控这套架构的人来说，也能把不同任务的过程放在一起，了解大家反复花时间处理的究竟是什么。

他所说的软件工厂，包含人和 AI 一起工作的整个过程。人把需求放进去，AI 可以先判断是什么问题，和人一起把需求说清楚，再去实现、检查。每个小组可以决定哪些步骤交给 AI，哪些地方需要人参与。听起来跟现在使用编程助手差不多，区别在于，这些安排需要明确写下来，成为能够检查和修改的一套规则。

Zach 用的是代码仓库来保存它。这里面不只有业务代码，也有 AI 的工作说明，以及每个步骤选用什么模型、允许使用哪些工具。以前这些东西可能分散在个人设置和聊天记录里，现在小组可以看到一个具体版本，也能知道谁在什么时候改了哪一处。比如，原来一个任务来了就开始写代码，后来改成先检查现有实现，这就是一次可以被看见的流程修改。

我觉得把规则写下来这件事，看上去有点笨，却省去了很多说不清楚的争论。假设大家觉得这一周 AI 比上一周好用了，如果期间换过模型，也改过工作说明，光凭感觉很难知道是哪一项起了作用。有了不同版本，至少可以把变化分开看。某条新规则让任务变慢了，也能回到原来的版本，重新考虑它是不是应该用在所有任务上。

这也解释了为什么 AI 有空间参与改进自己工作的架构。编程助手已经能读代码、提交修改，当流程本身也保存在仓库里，它就有了可以修改的对象。这里的“自我改进”，指的是调整工作流程和使用规则，不需要先把模型重新训练一遍。当然，能够提出修改和修改真的有效，还是两回事，后面得有办法判断。

他还强调，这套安排应该容得下不同的模型和工具，用他的话说，“最好的模型和工具一直在变”。今天适合的选择，过一阵未必还合适，如果换一个模型就得重新搭整套流程，试验的代价也太大了。他说的开放主要是这种选择上的自由，并不是说 Warp Factories 本身已经开源，这一点他在回答现场提问时也讲得很清楚。

在 Warp 内部，每次 AI 任务的过程都会被保存下来，包括对话和产出的东西。Zach 可以从一个汇总界面点进去，看某项工作是怎么完成的。对工程师来说，这些记录可以用来排查问题；对他正在做的架构来说，它们也是判断现有流程哪里不合适的依据。

他举了一个特别具体的评分计划，检查 AI 有没有写多余的测试。写测试通常被当成好习惯，但如果只是重复已有的检查，或者为了一个很小的改动加了一堆没有必要的消息，也会增加阅读和维护的工作。只看代码有没有生成、测试有没有通过，看不出这种差别。小组得先把自己在意的问题说清楚，才谈得上让 AI 帮忙找。

他们安排另一组 AI 去检查任务记录，判断有没有出现这些问题，再把失败的情况放在一起，找出重复的做法。Zach 点开的一个改进建议显示，同一类失败出现了 37 次。架构根据这些记录，提出了修改工厂配置的 PR，也就是一份可以被审查的代码修改请求。它找到了问题，还把建议落实到了具体的文件上，小组接下来就能讨论这处改动该不该采用。

我觉得这里最有用的，是把散落在很多次对话里的麻烦放到了一起。只看某一次，你可能觉得提醒一下就好了；如果不同任务里反复出现，继续让每个人临时提醒就很费劲了。想象一下，小组已经写好一份开发说明，AI 却经常没读就开始改代码。每次把说明重新贴给它当然能解决眼前的问题，但也可以检查任务开始时的流程，让它更容易找到并读到那份说明。

不过，37 次也不能直接告诉我们应该加什么规则。有些失败可能看着相似，原因却不一样，仓促加上一条通用指令，还可能妨碍原来做得很好的任务。Zach 展示的是架构提出修改建议的过程，并没有把一次建议等同于问题已经消失。我更关心的是这份修改被采用以后，类似的任务还会不会继续出错，以及其他任务有没有受到影响。

Zach 对选择模型的看法很直接。今天有人说这个模型最好，明天有人推荐另一个，公共测试也会给出排名，但这些消息不能直接回答它在你们小组里会做得怎么样。一个经常改网页的小组，和一个主要维护后端业务的小组，平时遇到的问题就不一样，适合它们的模型也未必相同。

他的办法是从真实做过的任务里挑出一批，交给不同配置重新做，再比较结果。比如小组想知道哪个模型更适合处理前端工作，就可以把过去具有代表性的前端任务收集起来。选任务也需要花心思，他建议开始时由人挑，放进不同难度的工作。否则，如果只留下特别简单的任务，测出来的结果很漂亮，真正工作时还是会失望。

他展示了一张成本和水准的对比图，其中一种配置的评分对应 93％，另一种是 95％，后者花费大约是前者的三倍。这个例子里，分数来自 AI 对任务结果的评价。它能帮助小组比较配置，但不能直接当成业务上线后的成功率。即便只看这组比较，也没有一个适合所有人的选择：如果小组觉得那一点差别很关键，多花钱可能值得；如果只是一些容易检查的小改动，也可以考虑费用更低的配置。

对我来说，这种比较还有一个好处，就是换模型不用每次都从头凭印象判断。小组把代表性的任务留下来，新模型出来以后，就能拿同一批工作试一遍，看看它具体在哪些地方更好。工作做法改了，也可以用这些任务再检查一次。这样积累几个月以后，手里有的会是一组跟自己业务有关的结果，选模型时也就有了更具体的理由。