AI智能体集群正在重写软件工程本身

AMD在2024年启动了面向代码生成、测试自动化、缺陷分析和代码审查的AI系统研发，彼时的目标是到2027年实现25%的生产代码由AI生成。仅仅一年后，这一目标已被大幅超越：整体生产力提升达到30%，AI生成代码占比在年初突破20%，部分软件组件的这一比例更超过80%，全库目标已调整为50%。AMD选择以「通过所有审查和测试并最终进入产品的AI生成代码占比」作为核心客观指标，以确保统计口径的严谨性。

在当前阶段，AI智能体已深度嵌入软件开发生命周期的每个节点。在代码分析与分类环节，智能体负责解析问题报告、归类相似请求并标记可能需要修改的代码片段；在调试与代码生成环节，智能体分析缺陷请求并自动实现所需代码变更；在测试环节，智能体生成单元测试，通过后进一步识别集成测试和产品级测试需求；在审批与发布环节，智能体准备架构摘要、代码变更审查和完整测试结果，供工程师审核批准后集成至下一版本。

AMD以Radeon软件体验组件RSX为例，展示了持续学习循环的实际效果。2025年10月，AMD开始使用AI智能体自动调试和修复RSX上报的问题，初期开箱即用的AI工具仅能解决6%的问题。通过分析失败案例、构建学习反馈循环、持续优化智能体目标设定，并结合底层模型和运行时的进步，到2026年6月，自动修复率已突破75%。这一过程并未重新训练底层模型，而是通过迭代优化智能体的目标与策略实现的。

AMD认为，当前AI智能体的本质局限在于：工程师是按照自身思维模式来训练和约束智能体的，智能体只是在复制人类已知的解决路径。下一阶段的变革将发生在协作式AI智能体集群能够独立识别并开发解决方案之时。届时，工程师只需定义问题、期望结果以及质量、性能和系统约束，智能体集群将并行生成、评估和精炼多种解决方案，自动验证正确性、衡量性能、测试权衡，并将排名后的方案连同验证结果提交工程师审批。

为实现这一愿景，AMD正在推动智能体训练模式的根本转变。当前的改进模式依赖单个工程师与单个智能体的迭代，效率存在天花板。未来，智能体需要能够相互学习、复用成功策略，并在跨项目、跨团队的范围内协作提升。AMD目前已广泛采用Codex、Claude Code等多智能体工作流框架，同时自研内部多智能体系统。在人才战略上，AMD明确表示AI的目标是提升生产力和员工价值，而非缩减人员规模，并正在全公司范围内大力投入AI教育与培训。

要点

• AMD的AI生成代码占比已突破20%，部分组件超80%，整体生产力提升达30%，超越原定目标
• RSX组件的AI自动修复率从6%跃升至75%以上，核心驱动力是持续学习反馈循环而非重训底层模型
• 当前AI智能体仍受限于人类思维模式，下一阶段变革在于让智能体集群自主探索最优解决路径
• 未来工程师角色将从手动实现方案转向定义规格、验证结果和把控战略方向
• AMD明确将AI定位为增强员工能力的工具，而非替代人力的手段