AI 對軟體開發的影響深遠且不斷演進。去年，我曾撰文介紹 AMD 計劃將 AI 不僅用於生成新程式碼，還用於軟體開發生命週期 (SDLC) 的其他步驟，例如問題分類、程式碼偵錯和軟體測試。當時，我們希望在兩到三年內，AI 的使用能帶來 25% 的生產力提升。

然而，隨著每次新版本的發布，大型語言模型 (LLM) 的能力顯著提升，加速了軟體開發，提高了 AI 生成程式碼的品質，並從根本上重塑了軟體工程的方式。僅僅一年後，我們已經超越了生產力目標，透過 AI 實現了整體 30% 的生產力提升。此外，我們不僅重新思考了 AI 在 SDLC 中的應用方式，也重新思考了 SDLC 本身的結構。

我們相信軟體工程領域最大的 AI 革命仍在前方。到目前為止，我們主要是在教導 AI 如何執行任務，並要求它模仿現有的工作流程。在許多方面，這將 AI 限制在人類的思維模式中。下一個轉型將來自於能夠獨立發現解決方案的協作型 AI 代理群體。

AMD 於 2024 年開始開發用於程式碼生成、測試自動化、錯誤分析和程式碼審查的 AI 系統。當時，我們的目標是到 2027 年實現 25% 的 AI 生成生產程式碼，同時逐步自動化 SDLC 的更大比例。

衡量生產力本身就具有挑戰性，但從一開始我們就持續追蹤一個客觀指標：AI 生成原始程式碼的百分比。重要的是，我們只計算通過所有審查和測試，並最終包含在最終產品中的程式碼。雖然 AI 生成程式碼當然不是生產力提升的唯一貢獻者，但它是少數可以客觀且一致衡量到的指標之一。

根據這個指標，我們在今年年初已經突破了 20% 的關卡，目前正朝著整個程式碼庫 50% 的目標邁進。在某些軟體元件中，超過 80% 的程式碼現在是使用 AI 生成的。

代理型 AI 使我們能夠將 AI 納入生命週期的每個步驟：對於程式碼分析和分類，代理被訓練來分析問題報告，識別並分組類似的請求，並標示哪些程式碼片段可能需要修改。對於偵錯和程式碼生成，代理被指示分析錯誤請求並實施所需的程式碼更改。

對於測試，代理生成單元測試，如果這些測試通過，則識別必要的整合和產品級測試。最後，對於批准和發布階段，代理準備架構摘要、程式碼更改審查和完整的測試結果，供工程師審查和批准，如果獲得批准，則將更改整合到下一個版本中。

如今，工程師以自己的形象創建 AI 代理：他們教導 AI 他們對系統的了解、他們將如何解決問題以及他們將如何實施更改。這已經是一項重大的技術進步。工程師可以創建多個「AI 版本」的自己，讓這些代理並行工作，將他們的專業知識擴展到個人生產力的極限之外。然而，限制是這些 AI 代理仍然受限於人類思維和人類定義的方法。

我們相信軟體工程的下一個重大轉型將發生在協作型 AI 代理群體能夠獨立識別和開發解決方案時，由人類指導要解決什麼，而不是受限於人類對如何完成工作的假設。工程師將不再提供如何解決問題的詳細說明，而是定義問題、期望的結果以及品質、效能和系統限制，讓 AI 代理決定最佳的解決方案路徑。

一群 AI 代理將並行工作，生成、評估和完善多種解決方案方法。這些代理將自動驗證正確性、衡量效能、測試權衡，並根據定義的成功標準比較替代實施方案。最後，AI 代理將準備排名靠前的解決方案選項，以及驗證結果和效能指標，供工程師審查和批准。這些代理將不再是增強 SDLC 的每個步驟，它們將重寫 SDLC 本身。

要達到這一點，我們需要改變代理的訓練方式。今天，改進是每次一個工程師和一個代理進行：工程師審查輸出，完善提示詞，然後重複該過程。為了超越這種模式，代理必須不斷地相互學習，重複使用成功的策略，並在專案和團隊之間協作改進。

我們已經朝這個方向發展，透過代理框架（例如 Codex 和 Claude Code）廣泛使用多代理工作流程，同時開發我們自己的內部多代理系統，以支援下一代 AI 驅動的軟體工程。

一個很好的例子是我們在解決 Radeon Software eXperience (RSX) 問題方面的 AI 驅動努力。RSX 是一個使用者介面元件，允許使用者配置和監控顯示卡驅動程式行為。2025 年 10 月，我們開始使用 AI 代理自動偵錯和修復報告的 RSX 問題。開箱即用的 AI 工具效果有限，僅解決了 6% 的問題。

AMD Radeon Software eXperience (RSX) 中由 AI 代理自動修復的軟體問題百分比一直在穩步增長，到 2026 年 6 月達到 75%。隨著我們分析失敗並找出改進方法，我們建立了一個學習迴圈，最初主要是手動過程，以了解代理在哪裡不足以及如何改進它們。

我們沒有重新訓練底層模型，而是完善了賦予代理的目標，讓它們迭代探索多種方法，根據定義的成功標準評估結果，並收斂到更好的解決方案。同時，模型和代理運行時的進步進一步提高了效率。總體而言，這些改進使我們的解決率從 6% 大幅提高到超過 75% 的 RSX 問題由代理迴圈解決。

為了使代理和代理群體真正高效，我們需要一個持續學習迴圈，將錯誤和人類干預回饋到未來的代理工作流程中。機會在於圍繞清晰、可衡量的目標來設計這個迴圈。每個週期都捕捉新的見解，使整個 AI 工程工作流程更智能、更有效。隨著時間的推移，這種自我強化的迴圈，而不僅僅是底層模型，將成為 AI 進步的關鍵驅動力。

在 AMD，我們將 AI 視為提高生產力、改善品質和使員工能夠專注於更高價值工作的手段。我們的目標是透過 AI 賦能我們的員工，而不是減少人力。

為了支持這一轉型，我們正在公司內部大力投資 AI 教育和培訓。我們的工作方式正在迅速演變，我們希望每位 AMD 員工都能準備好自信、負責任且有效地利用 AI。

隨著 AI 代理的不斷改進，工程師將花費更少的時間手動實施解決方案，而將更多時間專注於定義規範、驗證結果以及做出推動創新的戰略決策。