<p>“如果我們的工作將要改變，我們希望這種變化由軟件開發社區推動。” 這一觀點由 OpenHands 的首席執行官兼聯合創始人 Robert Brennan 提出，強調了自動化軟件工程中最繁瑣和必要任務的理念。Brennan 的演講集中在當前大型語言模型（LLM）代理的侷限性上，並引入了代理編排的概念，作為實現真正大規模自動化的重要下一步。雖然原子編碼任務現在可以由單個代理輕鬆處理，但遷移整個代碼庫或解決公司範圍內的技術債務等重大工作則需要協調的羣體合作。</p>
<p>Robert Brennan 在 AI 工程師代碼峯會上談到了利用並行代理來自動化大規模重構、依賴更新和代碼現代化任務——這些 “繁瑣” 的工作消耗了整個行業大量開發者的時間。OpenHands 是一個獲得麻省理工學院許可的編碼代理項目，專門設計用於解決這些非原子性挑戰，超越簡單的代碼生成，朝着複雜的多步驟工程項目的自主執行邁進。LLM 編碼能力的演變展示了從 2022 年簡單、缺乏上下文的代碼片段到預計將在 2025 年及以後主導的代理編排的明確軌跡。</p>
<p>最初一波 AI 編碼助手，如 GitHub Copilot，通過在 IDE 中提供上下文感知的代碼生成，帶來了巨大的生產力提升。這一轉變使開發者的角色從輸入代碼行轉變為引導代理完成短小的原子任務，例如為單個函數編寫單元測試套件。Brennan 指出，對他和他的團隊而言，這一轉變是深刻的：“工作的心態沒有改變，但實際工作的樣子變化很大。” 關鍵思維的心理負擔依然存在，但編碼的機械執行在很大程度上已被外包。</p>
<p>然而，即使是最有能力的單個代理在面對大型、相互關聯的更改時也會遇到困難。這種失敗源於固有的技術和人類限制。代理受到有限上下文窗口、“懶惰”（拒絕處理大型任務）、缺乏深厚的領域知識以及小錯誤導致的複合錯誤等問題的困擾。相反，人類則難以明確界定 “完成” 狀態，並且很難準確分解大型任務。</p>
<p>所需的核心創新是編排：協調多個代理，通常是並行進行，並保持持續的人類反饋循環。OpenHands 的目標是實現 90% 的自動化和 10% 的人工努力分配，其中人類監督集中在高層戰略和中間驗證上，而不是調試單獨的代碼行。例如，一位 OpenHands 客户通過大規模編排在解決這些 CVE 時實現了 “30 倍的解決時間提升”。</p>
<p>這一範式轉變創造了 “代理編排者” 的角色。每位開發者都將利用代理進行日常任務，但 Brennan 估計只有大約 5% 的開發者會專門從事這一新學科。這些編排者能夠分解大型任務並管理代理羣體，從而在高槓杆、可重複的任務中實現巨大的生產力提升（100% 到 3000%）。</p>
<p>成功編排的關鍵是任務分解，這要求將最終目標分解為一次性可完成的任務，這些任務適合單次提交，可以並行執行，並且可以由人類驗證其正確性。這需要分析代碼庫的固有依賴結構。編排者不會試圖一次性將整個應用程序從 Redux 遷移到 Zustand，而是識別依賴樹的葉節點——那些依賴最少內部依賴的組件——並指派並行代理首先遷移這些組件。</p>
<p>這種依賴樹方法確保了更改按順序引入，防止級聯故障，並允許人類編排者審查中間的、可管理的拉取請求。對於大規模維護，例如在數千個代碼庫中解決 CVE，代理架構可以掃描整個代碼庫，為每個漏洞啓動一個單獨的代理，自動更新依賴、修復破壞性的 API 更改，並打開拉取請求。生成的拉取請求小巧、聚焦且易於合併，大幅減少了漏洞公告與解決之間的延遲。這種架構使企業能夠系統性地解決現代化工作、技術債務和之前因其龐大和複雜性而被認為不可行的大規模遷移。</p>

<p>OpenHands 由首席執行官 Robert Brennan 領導，推出了一種新的架構，通過代理編排來自動化大規模軟件重構。該方法旨在通過協調多個代理來提高生產力，以應對複雜的編碼任務，例如遷移代碼庫和解決技術債務。目標是實現 90% 的自動化和 10% 的人工監督模型，使開發人員能夠專注於高層次的戰略。該架構允許系統化的現代化和高效處理漏洞，顯著改善解決時間並降低大規模編碼項目的複雜性</p>

<p>“If our jobs are going to change, we want that change to be driven by the software development community.” This sentiment, voiced by Robert Brennan, CEO and Co-founder of OpenHands, underscores the philosophy behind automating the most tedious and necessary tasks in software engineering. Brennan’s presentation focused squarely on the limitations of current large language model (LLM) agents and introduced the concept of agent orchestration as the vital next step in achieving true, large-scale automation. While atomic coding tasks are now readily handled by single agents, monumental efforts like migrating entire codebases or resolving company-wide technical debt require a coordinated swarm.</p>
<div class="lb-trans"><p>“如果我們的工作將要改變，我們希望這種變化由軟件開發社區推動。” 這一觀點由 OpenHands 的首席執行官兼聯合創始人 Robert Brennan 提出，強調了自動化軟件工程中最繁瑣和必要任務的理念。Brennan 的演講集中在當前大型語言模型（LLM）代理的侷限性上，並引入了代理編排的概念，作為實現真正大規模自動化的重要下一步。雖然原子編碼任務現在可以由單個代理輕鬆處理，但遷移整個代碼庫或解決公司範圍內的技術債務等重大工作則需要協調的羣體合作。</p>
</div><p>Robert Brennan spoke at the AI Engineer Code Summit about leveraging parallel agents to automate massive refactors, dependency updates, and code modernization tasks—the “toil” that consumes significant developer hours across the industry. OpenHands, an MIT-licensed coding agent project, is designed specifically to tackle these non-atomic challenges, moving beyond simple code generation toward autonomous execution of complex, multi-step engineering projects. The evolution of LLM coding capabilities demonstrates a clear trajectory from simple, context-unaware code snippets in 2022 to the current frontier of agentic orchestration expected to dominate 2025 and beyond.</p>
<div class="lb-trans"><p>Robert Brennan 在 AI 工程師代碼峯會上談到了利用並行代理來自動化大規模重構、依賴更新和代碼現代化任務——這些 “繁瑣” 的工作消耗了整個行業大量開發者的時間。OpenHands 是一個獲得麻省理工學院許可的編碼代理項目，專門設計用於解決這些非原子性挑戰，超越簡單的代碼生成，朝着複雜的多步驟工程項目的自主執行邁進。LLM 編碼能力的演變展示了從 2022 年簡單、缺乏上下文的代碼片段到預計將在 2025 年及以後主導的代理編排的明確軌跡。</p>
</div><p>The initial wave of AI coding assistants, such as GitHub Copilot, provided massive productivity boosts by offering context-aware code generation within the IDE. This shifted the developer’s role from typing lines of code to guiding the agent through short, atomic tasks, like writing a suite of unit tests for a single function. Brennan noted that for himself and his team, this shift has been profound: “The mentality of the job hasn’t changed, but what the actual work looks like has changed quite a bit.” The mental load of critical thinking remains, but the mechanical execution of coding has been largely outsourced.</p>
<div class="lb-trans"><p>最初一波 AI 編碼助手，如 GitHub Copilot，通過在 IDE 中提供上下文感知的代碼生成，帶來了巨大的生產力提升。這一轉變使開發者的角色從輸入代碼行轉變為引導代理完成短小的原子任務，例如為單個函數編寫單元測試套件。Brennan 指出，對他和他的團隊而言，這一轉變是深刻的：“工作的心態沒有改變，但實際工作的樣子變化很大。” 關鍵思維的心理負擔依然存在，但編碼的機械執行在很大程度上已被外包。</p>
</div><p>However, even the most capable single agents stumble when faced with large, interconnected changes. This failure stems from inherent technological and human limitations. Agents suffer from limited context windows, “laziness” (refusing to tackle large tasks), lack of deep domain knowledge, and compounding errors where a small initial mistake cascades into an unusable output. Humans, conversely, struggle to define the “done” state unambiguously and find it difficult to decompose massive tasks accurately.</p>
<div class="lb-trans"><p>然而，即使是最有能力的單個代理在面對大型、相互關聯的更改時也會遇到困難。這種失敗源於固有的技術和人類限制。代理受到有限上下文窗口、“懶惰”（拒絕處理大型任務）、缺乏深厚的領域知識以及小錯誤導致的複合錯誤等問題的困擾。相反，人類則難以明確界定 “完成” 狀態，並且很難準確分解大型任務。</p>
</div><p>The core innovation required is orchestration: coordinating multiple agents, often in parallel, with a continuous human feedback loop. OpenHands aims for a 90% automation, 10% human effort split, where human oversight is focused on high-level strategy and intermediate verification rather than debugging individual lines of code. For instance, one OpenHands client saw a “30x improvement on time to resolution for these CVEs by doing orchestration at scale.”</p>
<div class="lb-trans"><p>所需的核心創新是編排：協調多個代理，通常是並行進行，並保持持續的人類反饋循環。OpenHands 的目標是實現 90% 的自動化和 10% 的人工努力分配，其中人類監督集中在高層戰略和中間驗證上，而不是調試單獨的代碼行。例如，一位 OpenHands 客户通過大規模編排在解決這些 CVE 時實現了 “30 倍的解決時間提升”。</p>
</div><p>This paradigm shift creates the role of the “Agent Orchestrator.” Every developer will utilize agents for day-to-day tasks, but Brennan estimates that only about 5% of developers will specialize in this new discipline. These orchestrators, capable of decomposing large tasks and managing fleets of agents, unlock massive productivity lifts (100% to 3000%) across high-leverage, repeatable tasks.</p>
<div class="lb-trans"><p>這一範式轉變創造了 “代理編排者” 的角色。每位開發者都將利用代理進行日常任務，但 Brennan 估計只有大約 5% 的開發者會專門從事這一新學科。這些編排者能夠分解大型任務並管理代理羣體，從而在高槓杆、可重複的任務中實現巨大的生產力提升（100% 到 3000%）。</p>
</div><p>The key to successful orchestration is task decomposition, which requires breaking down an end-goal into tasks that are one-shot shottable, fit within a single commit, can be executed in parallel, and are verifiable by a human as correct or incorrect. This requires analyzing the codebase’s inherent dependency structure. Rather than attempting to migrate an entire application from Redux to Zustand at once, the orchestrator identifies the leaf nodes of the dependency tree—those components that rely on the fewest internal dependencies—and tasks parallel agents to migrate those first.</p>
<div class="lb-trans"><p>成功編排的關鍵是任務分解，這要求將最終目標分解為一次性可完成的任務，這些任務適合單次提交，可以並行執行，並且可以由人類驗證其正確性。這需要分析代碼庫的固有依賴結構。編排者不會試圖一次性將整個應用程序從 Redux 遷移到 Zustand，而是識別依賴樹的葉節點——那些依賴最少內部依賴的組件——並指派並行代理首先遷移這些組件。</p>
</div><p>This dependency-tree approach ensures that changes are introduced sequentially, preventing cascading failures and allowing the human orchestrator to review intermediate, manageable pull requests. For large-scale maintenance, such as resolving CVEs across thousands of repositories, the agent architecture can scan the entire codebase, spin up a separate agent for each vulnerability, and update the dependency, fix breaking API changes, and open a pull request automatically. The resulting pull requests are small, tightly focused, and easily merged, drastically reducing the latency between vulnerability announcement and resolution. This architecture allows enterprises to systematically address modernization efforts, technical debt, and large-scale migrations that were previously considered prohibitive due to their sheer volume and complexity.</p>
<div class="lb-trans"><p>這種依賴樹方法確保了更改按順序引入，防止級聯故障，並允許人類編排者審查中間的、可管理的拉取請求。對於大規模維護，例如在數千個代碼庫中解決 CVE，代理架構可以掃描整個代碼庫，為每個漏洞啓動一個單獨的代理，自動更新依賴、修復破壞性的 API 更改，並打開拉取請求。生成的拉取請求小巧、聚焦且易於合併，大幅減少了漏洞公告與解決之間的延遲。這種架構使企業能夠系統性地解決現代化工作、技術債務和之前因其龐大和複雜性而被認為不可行的大規模遷移。</p>
</div>

OpenHands 公佈了大規模自動重構的架構設計