通用汽车围绕AI智能体重构自动驾驶工程流程，拉取请求合并量增至三倍

工程师仅15%时间编写代码

软件工程师在通用汽车公司（GM）的自动驾驶部门仅将15%的时间用于编写代码，据通用汽车公司自动驾驶车辆副总裁拉希德·哈克在近期于VB Transform 2026大会上的舞台访谈中透露。

目前，通用汽车正利用AI智能体（AI agents）加速其余约85%的工作——包括分析车辆数据、问题初步分类（triaging problems）、运行实验以及测试潜在修复方案。

哈克表示，其结果是通用汽车自动驾驶车辆工程组织内合并的拉取请求（merged pull requests）数量大约增至原来的三倍，发布周期加快，且逃逸至开发后期的缺陷更少。

哈克称，通用汽车通过围绕智能体重新设计整套工程工作流——而非仅仅添加一个AI编程助手——实现了上述提升。

“如果你只给人一个能写代码的聊天机器人，该流程中仍存在大量固有低效环节，”哈克在加利福尼亚州门洛帕克市豪华的尼雅酒店（Hotel Nia）举行的主会场炉边谈话（fireside chat）中表示。

在智能体AI（agentic AI）出现之前，工程师大部分时间都花在代码编辑器之外

通用汽车公布的15%这一数字看似异常偏低，但早在生成式AI与智能体AI兴起之前开展的研究已得出类似结论。

一项2019年微软研究基于5971名专业开发人员的问卷反馈发现：他们在状态良好的工作日平均花费96分钟编写代码，在状态不佳的工作日则平均为66分钟。这分别相当于八小时工作日的约20%和14%。另一项2018年Stripe调查发现，普通开发者每周花费超过17小时从事维护类工作，例如调试和重构。

业内尚无统一的行业基准：微软研究人员指出，早期研究对开发人员编码时间占比的估算范围介于9%至61%之间，具体取决于研究人员如何定义并测量该项工作。但这些发现进一步印证了哈克的核心论点：早在智能体出现之前，编写代码就仅是软件工程中的一部分；仅加速该环节，仍使开发流程的大部分环节未被触及。

“以循环方式推进变得至关重要，”哈克表示。

通用汽车将其自动驾驶车辆工作划分为若干循环（loops）：在仿真环境中开发与测试软件、在公共道路上测试车辆、以及车辆交付客户后的监控。随后，它逐一识别每个循环中最长的瓶颈环节，实现自动化，并重复该过程。

通用汽车向智能体开放了内部工具与数据

通用汽车通过定制化的模型上下文协议（Model Context Protocol, MCP）服务器，将智能体连接至内部工具及PB级的公司数据。同时，它还创建了版本受控的“技能”（skills）——即指导智能体执行特定任务的指令文档。

一项高价值应用场景涉及从公共道路行驶车辆采集的遥测数据（telemetry）。智能体可分析该数据、进行初步问题分类，并为工程师创建待调查的问题工单（issues）。借助MCP连接，它们还能直接调用WebViz（通用汽车用于可视化车辆遥测数据的系统）所依赖的底层工具，而非依赖人类用户所见的同一图形界面。

这些发现仍需对工程师而言具备可理解性。“输出内容必须是人类可读的，”哈克表示。一个智能体可能识别出潜在问题，定位受影响的组件，检索历史数据中类似事件，并提供支撑其结论的实例。

通用汽车依据使用智能体的工程师所拥有的权限，设定该智能体的权限。

“如果一名工程师执行此项任务需要访问这些资源，那么其智能体也需获得对这些资源的访问权限，”哈克表示，“工程师本人仍须对其智能体的输出结果负责。”

该公司还使用后台智能体并行运行机器学习实验。工程师定义实验及其参数后，智能体即执行各项测试并收集结果。

拉取请求数量增至三倍——且逃逸缺陷更少

通用汽车将其内部智能体平台视为一款产品，并指派四名常驻工程师直接与各工程团队协作。他们协助员工识别有价值的工作流、推广成功实践，并推动工具采用。

哈克表示，拉取请求合并数量的增长不仅意味着代码提交量上升。“我们发布新功能的速度”提升了，他指出，同时发布的版本中“测试逃逸（test escapes）、缺陷逃逸（bug escapes）”及其他问题亦减少。

人在关键控制点上仍负有责任。哈克表示，通用汽车在加速整体工作流之前，已预先建立结构化与非结构化测试及性能度量指标。工程师需审核这些度量指标，并在工作进入生产阶段前，确认每项测试是否仍能准确捕捉其既定目标。

哈克称，通用汽车最初预期的生产力提升幅度更为保守。“我认为我们唯一的意外，就是我们所能达成的成果竟如此之多，”他表示。

通用汽车的方法并非始于为每位开发者配备代码生成器，而是始于绘制每个循环（仿真、道路测试、交付后监控）中从问题发现到经验证修复的完整路径，再赋予智能体受控权限，使其可访问各阶段缩短最长瓶颈所需的工具与数据。