[情報] 打造軟體工廠到底要什麼？
一、到底什麼叫軟體工廠
Tereza 在 AI Engineer World's Fair 開場就講：大家都在講 software factory，真的在蓋、而且講得清楚要什麼的人很少。她在 Factory（幫企業跑軟體工廠的那家，客戶有 EY、Adobe）工作，定義很直白——
整條開發生命週期，自主運轉：收訊號（使用者回饋、log）、分流優先順序、編排、執行、驗證、再迭代；過程中還要持續學新東西。不是「多塞幾個會生 code 的 agent」就結束。
二、先講清楚「不是什麼」
- 不是單一 coding agent，也不是上千個 agent 的 swarm——寫 code 相對簡單；工程師大多數時間本來就不在寫 code。
- 不是顧問丟一套抽象策略進來就好——他們認為組織要從底層重構成「能當軟體工廠」的形狀，不是中間插一塊工具。
2023 那種 AutoGPT／BabyAGI 想做連續迴圈，但模型會幻覺、context 不夠、推理不穩，也缺少讓 agent 隔離工作的環境。現在技術追上了，這個范式才開始真的有用。
三、原則一：Agnostic——別押單一模型
要接上團隊本來就在用的 Slack、GitHub，也讓人帶自己的 model key／機器進來。Frontier model 輪替太快，預設就該模型無關。
自動路由（automatic model routing）先依 prompt 結構、codebase、任務難度、工具用量做分類，再挑「過門檻裡最便宜」的模型；失敗或卡住才升級。保守 benchmark 相對 Claude Opus 約省 25% 成本（pass rate 仍約 96–99%），順便顧可靠度與速度——開源模型常更快，供應商掛了可 failover。
Coinbase 公開過：token 用量繼續衝，錢卻沒等比暴增——換預設模型、快取命中拉高、再加上路由。快取本身多半是議價／定價，不是技術門檻；自己 host 開源模型一樣能吃到 cache。
四、原則二：Autonomous——長跑、而且要定義「做完」
Loop 本來就有（數學歸納、程式迴圈、訓練迴圈、ReAct），現在升到軟體工廠：done = spec 過測試＋review＋部署。難點是任務常開放、非確定——agent 可能只為了過測試而「作弊」。
Factory 的 Missions 是長跑自主工作階段（可到數週）。真實客戶例約 16.5 小時：185 次 agent run、1 orchestrator／63 workers／27 validators；驗證就佔約四成時間。Worker 依序接手、每人新鮮 context，不是 swarm 搶同一個 context；Orchestrator 先寫好 validation contract。
五、兩種驗證者：都沒寫過那份 code
- Scrutiny validator：讀 code 與軌跡，跑測試、型別、lint、code review。
- User-testing validator：不看原始碼，用 computer-use 點進實際畫面，對照契約——避免「看起來有 dashboard、點了是假的」。
後者靠 computer-use 與持久虛擬環境才變實用；有工程師遷移 codebase 時，別的產品生出漂亮但點不動的 UI，點過一遍的 agent 才能抓到。
六、原則三：Always improving——context 別一次塞爆
企業工具上百（Figma、Notion、Gmail、Drive、Slack…），schema 與說明一次塞進 context，容易選錯工具或被迫壓縮。Deferred context engine 先只放短清單與簡短說明，需要再展開完整工具定義——是藏起來、不是刪掉。工具越多省越多，可到 50%+ token。
AI 導入像 power law：codebase 亂，agent 會加速把坑挖深。他們用 Agent readiness 把風格、建置、測試、文件、環境、可觀測、安全、任務發現等「行間沒寫的事」做成衛生檢查；Plugins 打包團隊潛規則，少重複講同一套偏好。
七、人類還剩什麼？決定做什麼
從「人當 computer」→ 程式語言抽象 → coding agents 仍緊盯單一任務 → 現在的軟體工廠：工程師決定 做什麼，agents 決定怎麼做。她認為 AI 先拿走的是對齊、開會、同步狀態這類煩人活，不是有趣的設計與判斷。
八、帶走這幾句就好
- 先寫驗證契約與「做完」定義，再談長跑；agents 會為了過測試而走捷徑。
- 路由與快取是產品／議價決策；對亂 codebase 丟 agent，多半加速變糟——先做 readiness。
- 軟體工廠要的是整條生命週期自主，不是再多買幾個 coding agent。
※ 來源：YouTube／AI Engineer — Tereza Tížková《What It Actually Takes to Build a Software Factory》；Factory factory.ai；講者 @tereza_tizkova。非正式圖文整理，內容以原片為準。