Tereza Tizkova 说软件工厂不是 coding agent

Tereza Tizkova 的 “Rise of the Software Factory” 是这一天的核心演讲之一。她直接把误区点出来：software factory 不是一个 coding agent，而是自主软件开发的完整生命周期。

原视频：https://www.youtube.com/watch?v=htM02KMNZnk

工厂是一整条生命周期

她开场说，大家都在谈 software factory，但真正建的人很少。她给出的定义不是 “让 agent 写代码”，而是从任务进入，到上下文准备、模型选择、执行、验证、review、部署、监控和反馈的一整条 loop。

这个定义很关键。很多团队现在以为，接入一个 coding agent，或者让 Claude Code/Codex 能改 repo，就算开始建软件工厂。Tereza 的说法更接近真实工程：工厂不是工人，工厂是让工人稳定产出、检查质量、处理异常的系统。

她展示 Factory 的 dashboard，强调它要抓住整个 cycle。也就是说，agent 做了什么、卡在哪里、用了什么模型、花了多少成本、结果有没有通过验证，都应该在同一个系统里可见。

模型路由不是锦上添花

她提到一个实际问题：不要默认把所有任务都推给 frontier model。不同任务需要不同模型。简单重复任务用便宜模型可能更合适，复杂 reasoning 再用强模型。缓存、prefill、预算上限、结果可见性，都是工厂层面的设计。

这不是后端优化小技巧，而是软件工厂能不能规模化的前提。如果每个任务都烧最贵模型，成本会先压垮你。如果每个任务都用便宜模型，质量又会不稳定。工厂要做的是路由，而不是迷信单一模型。

她还强调，software factory 的核心不是 agent 数量，而是闭环。offline loop 负责构建和测试 agent，online loop 负责 agent 上线后的 trace、诊断和持续改进。

和字节实践的互相印证

我读这场时想到本地知识库里字节 AI Coding 的实践。字节的结论很硬：AI 代码贡献率很高，不代表交付效率等比例提升。TRAE 团队 90% 以上代码由 AI 写，人均需求吞吐只提升 1.6 倍，远低于 “AI 写码速度” 给人的直觉。

差距在哪里？在可交付性。字节通过上下文工程、架构约束、团队知识沉淀进 memory、技术债梳理，把可交付性从 40-60 分拉到 80 分左右。换句话说，真正提升不在单次生成，而在 harness 基建。

Tereza 的软件工厂也是这个方向。模型会写代码只是入门。你还要知道哪些任务能自动化，哪些要人审，哪些测试能挡住坏结果，哪些权限不能给 agent。

所以，软件工厂的难点不是机器会不会写，而是这条流水线有没有质量控制。

agent-ready 不是口号，是基础设施清单

Tereza 的演讲之所以重要，是因为她把 software factory 从愿景拉回基础设施。很多公司说自己要用 agent，但仓库结构、API、权限、CI/CD、日志、回滚都还没有为 agent 准备好。

她的描述里，agent 像员工一样需要身份、权限、记忆、审计轨迹和升级路径。这不是拟人化噱头，而是生产系统的基本要求。没有身份，就不知道谁做了什么；没有权限边界，就无法控制风险；没有审计轨迹，就无法复盘；没有升级路径，agent 卡住时只会乱试。

持久 computer use 是分水岭

她提到 persistent computer use，这是软件工厂从 demo 走向生产的关键。agent 如果每一步都像一次性聊天，就很难处理复杂任务。真实任务需要稳定环境：文件还在、状态还在、依赖还在、日志还在，中途失败后还能恢复。

这也解释了为什么简单聊天框不够。聊天框适合问答，不适合长期工程任务。软件工厂需要工作区、沙箱、凭证、任务队列、执行 trace 和人类接管点。

组织差距会被放大

Tereza 引用了 AI 领先者和落后者之间的生产力差距。我的理解是，AI 不会自动缩小组织差距，反而可能放大。流程清楚、接口稳定、测试可靠的团队，会让 agent 更快工作；流程混乱的团队，会让 agent 更快撞墙。

所以，软件工厂不是买来就能跑的机器。它更像一次组织体检。你让 agent 进入系统，它会立刻暴露哪些文档没人维护、哪些测试不可信、哪些权限太粗、哪些流程只靠老人记忆。

来源与说明

本文基于 AI Engineer World’s Fair 2026 Day 1 主舞台视频转录、官方日程信息，以及本地 AI engineering 知识库整理。文章不是逐字稿，而是按单场分享的主线、上下文和工程启发重写。