主动型AI来了:Cognition发布值班代理,软件工程范式生变

Cognition推出值班代理与KPI代理,让AI从被动执行转向主动找活。
Cognition 新企业业务总裁 Jeff Wang 在纽约证券交易所接受 NYSE Wired 采访,阐述了公司从 Devin 向主动型代理延伸的战略。他指出模型侧进展飞快而企业采用偏慢,Cognition 的定位是补齐中间的工具与基础设施层。公司最新发布的 on-call agent 面向告警响应与故障排查,试图用主动性换取响应速度;同时探索 KPI-based agents,让代理依据目标自行规划路径而非执行详细指令。文章认为这标志着 AI 从工具走向协作者,而工程层的编排与感知能力正成为竞争焦点。
从华尔街发出的信号:AI代理不再被动等指令
在纽约证券交易所前,Cognition 新企业业务总裁 Jeff Wang 接受了 NYSE Wired 的采访。这家以全球首个云端代理 Devin 闻名的公司,最近把注意力投向了一个更激进的方向——让 AI 主动找活干。

Wang 在采访中直言,企业采用最新技术的速度往往偏慢,而模型侧的进展却快得惊人。Cognition 的定位是补上中间那层工具与基础设施,让代理真正具备生产力。这个判断并不新鲜,但结合他们刚发布的 on-call agent(值班代理),指向了一个具体的落地场景:告警响应、故障排查这类需要人盯着的工作,正在被重新定义。
Devin 之后,Cognition 押注“主动”二字
Cognition 最为人熟知的身份是 Devin 的创造者。Wang 在镜头前重申了这一点:Devin 是“第一个云端代理”。

从被动执行到主动发起,是代理能力的一次关键跃迁。传统 AI 编程工具等待开发者输入 prompt,而主动型代理会在检测到异常时自行介入——比如线上服务出现告警,代理先于工程师拉取日志、定位变更、给出修复建议。Wang 把这类进展称为当前 AI 领域“最大的发展之一”,语气里带着明显的笃定。
模型层的狂飙是背景音。Wang 提到“模型侧有很多疯狂的事情正在发生”,这句话的潜台词是:能力供给不缺,缺的是把能力组织成可靠工作流的工程层。

什么是“云端代理”(Cloud Agent)
Devin 被称为“第一个云端代理”,这里的“云端”并非泛指部署在服务器上,而是指代理运行在独立的远程沙箱环境中,拥有自己的浏览器、终端、代码编辑器与文件系统,可以像一名远程工程师那样持续工作,而不依附于开发者本地 IDE 的一次性会话。相比 IDE 内的补全或对话式助手,云端代理具备长时任务保持、环境隔离和多步工具调用的能力,任务可以异步推进,开发者无需全程盯着。这一形态是“主动性”的前提:只有代理拥有自主的运行环境和持久的上下文,它才可能在无人触发时自行拉取日志、发起排查。
值班代理:主动型AI的第一个具体形态
Cognition 发布的 on-call agent 值得单独拆开看。值班是软件工程里最消耗人的环节之一,深夜告警、重复排查、上下文切换,都在磨损团队。把这个场景交给代理,逻辑上顺理成章。

但难点也很实在。值班代理需要的不只是代码生成能力,还包括对系统状态的持续感知、对历史事件的理解、以及在信息不完整时做出合理判断。Wang 没有展开技术细节,但从产品定位看,Cognition 试图把 Devin 的云端代理架构复用到运维场景,用主动性换取响应速度。
值班(On-call)与告警响应机制
On-call 是 SRE 与运维体系中的轮值制度:团队成员按班次待命,一旦监控系统触发告警(如错误率飙升、延迟超阈值、服务不可用),值班人需在规定时间内响应、定位并止损。典型流程包括告警分诊、查看仪表盘与日志、比对近期变更(部署、配置、开关)、判断影响面,再决定回滚或修复。这一环节的痛点在于告警噪音大、上下文分散、深夜响应成本高。值班代理要真正可用,需要接入监控、日志、变更记录等多源系统,并具备降噪聚合与根因初判能力,否则只是把告警换个地方堆给人看。
KPI 代理:给目标,而不是给步骤
采访中 Wang 提到的另一个方向是 KPI-based agents。你给代理一个目标,它自行设计路径去完成。
这与当前主流的“指令—执行”模式有本质区别。开发者不再写详细步骤,而是定义成功标准,剩下的交给代理探索。这种模式对代理的规划能力和自我纠错能力要求更高,也更容易在生产环境中出意外。Wang 用“creative ways”形容代理的解题方式,这个词既让人兴奋,也让人警惕——创造性路径的可预测性天然更低。
从行业视角看,主动型代理和 KPI 代理共享同一个底层假设:AI 应该从工具变成协作者,甚至承担部分决策职责。企业侧的采纳节奏能否跟上,是这套叙事能否成立的关键变量。Wang 自己也承认企业采用慢,这或许是 Cognition 把产品切进值班、运维这类刚需场景的原因——痛点足够痛,才推得动组织惯性。
目标导向代理与指令式自动化的区别
传统自动化依赖预先编排的确定性流程(如 if-then 脚本、工作流引擎),每一步由人写死;而 KPI-based agent 属于目标导向范式,只给定成功指标与约束,由代理自行拆解任务、选择工具、迭代尝试。这类系统通常依赖规划、反思与自我纠错循环,技术上与 ReAct、工具调用、长期记忆等机制相关。其风险在于路径不可预测、失败模式难以枚举,因此落地时往往需要设置权限边界、人工审核节点和可观测的执行轨迹,才能在“创造性解题”与“可控性”之间取得平衡。
工程层的竞争才刚刚开始
把采访里的信息拼起来,Cognition 的路线图清晰了不少:模型能力交给上游,自己专注代理的编排、感知与执行基础设施。主动型代理是这个战略的自然延伸,也是在 Devin 之后寻找第二增长曲线的尝试。
对开发者而言,值得关注的不是又一个代理产品的发布,而是工作方式的迁移——从写代码、盯告警,逐渐转向定义目标和验收结果。这个转变不会一夜发生,但华尔街前的这段采访至少说明,有人已经把它当成正经生意在做了。
相关推荐

Cursor AI编程实战:30分钟从零构建学生管理系统
B站UP主实战演示Cursor AI编程:30分钟用自然语言生成学生管理系统。详解Agent模式、Claude模型选择、提示词技巧与使用门槛,帮你判断Cursor是否值得入手。

AI编程工具20强榜单:从夯到拉的评分矩阵
B站UP主发布AI编程工具20强榜单,从夯到拉分为T0-T4五个层级,Claude Code和Codex并列T0。本文详解评分维度(能力、可靠性、耐操性、耐久性、成本、国内可用性)及工具表现,帮助开发者选择适合的AI编程助手。

Vibe Coding系统教程:零基础玩转AI编程实战
B站UP主耗时三个月打造的Vibe Coding系统教程,覆盖Codex、ClaudeCode、Cursor等AI编程工具,从基础逻辑到商业级项目实战三段式讲解,适合零基础学习者系统入门AI编程。