背景:當 Pull Request 遇上高速迭代的 AI 代理
傳統的軟體協作基礎設施,特別是以 Pull Request(PR,一種讓其他人在合併程式碼前進行審查的機制)為核心的流程,是為人類開發者之間的非同步協作而設計的。GitHub 與 GitLab 過去正是靠這套模式,把版本控制與非同步程式碼審查結合,徹底改變了人與人之間的協作方式。然而,如今 AI 编碼代理(coding agents)已經能以極高的速度產生、審查並反覆修改程式碼,原本為人類節奏設計的流程開始顯得力不從心。
針對這個問題,一款名為 Entire 的 Git forge(基於 Git 的程式碼託管與協作平台)問世,目標就是重新設計人類開發者與 AI 代理之間的協作方式。帶領這個專案的是 Thomas Dohmke,他曾任 GitHub 執行長,現在擔任 Entire 的執行長。他的核心論點是:GitHub 與 GitLab 把協作中心放在人對人的非同步程式碼審查與版本控制上,而一個多代理(multi-agent)的 forge,應該把中心放在對與人類協作的 AI 代理進行非同步的編排、版本管理與稽核。
核心內容:以 trails 與 eval 分數取代只給代理看的時間軸
Entire 建構在完全分散式的架構上,宣稱 push 速度最高可達 GitHub 的 89 倍。但它最重要的概念是 trails。Dohmke 直指傳統 PR 模式的痛點:PR 的時間軸(timeline)已經變成一份只有 AI 代理在讀的稽核日誌,開發者從中得不到足夠的資訊來判斷「我能不能放心地按下合併」。
trails 的做法是把最相關的資訊拉到頁面最上方,以 eval 分數的形式呈現,並且在每次 push 時即時更新。一條 trail 可以從一份 bug 回報或功能請求發起,也可以手動建立,甚至可以橫跨多個儲存庫。每當有新程式碼被推送,一個跑在雲端沙箱(sandbox,隔離的執行環境)裡的審查代理就會評估這些變更,依據程式碼品質、安全性、slop(指 AI 產出的低品質、灌水式程式碼),以及是否需要人類審查等面向,回傳分數與理由。
這些分數的實際用途,是幫開發者判斷這個 PR 是否已達到穩定狀態,還是需要再跑一輪代理驅動的編碼與審查。舉例來說,如果 slop 分數是橙色,開發者可以讓自己的编码代理去改善程式碼再推送,觸發新一輪迭代。Entire 會顯示最近五次執行與當前執行的結果,團隊認為這一點很關鍵,因為單次迴圈常常漏掉重要問題,反覆執行並讓分數穩定下來,才是 agentic coding 成功的關鍵。只有在信心高、風險低、所有發現都被清空時,才應該執行合併。
治理與記憶:Gates 與 continuous memory
在治理層面,整個審查流程是可設定的。評估代理可以透過 Entire 的介面或儲存庫層級的 JSON 設定檔來配置;審查代理可以建議修正或改進,這些建議在 trail 開啟期間持續可見。所有審查發現都必須被解決或關閉,才允許合併。開發者也可以在儲存庫層級設定 Gates,定義核可所需的條件。換句話說,治理的思路是「護欄而非守門員」,用可設定的規則去約束 AI 產出的品質,而不是靠人工把關拖慢速度。
Entire 的另一個基礎概念是 continuous memory(連續記憶),目的是把累積的所有知識保存在儲存庫裡,讓代理跨工作階段重複利用,而不是每次都從零開始。它由兩個開源工具實作:entire-graph 會為 Git 儲存庫建立一份預先計算的地圖,包含排序過的程式碼搜尋、定義與呼叫者、型別與路由等資訊;entire-brain 則把這份程式碼地圖與過往的代理工作階段、Git 歷史中記錄的資訊結合,形成一層持久化的記憶。這讓代理能在對的時間拿到對的上下文,也就是「為什麼改了這裡」背後的緣由,而不只是「改了什麼」。此外,Entire 也支援與 Buildkite、Depot 等 CI 平台整合。
脈絡解讀與社群討論
這項發布在 Hacker News 上引發討論。有用戶認為,工程師之所以把寫程式的工作交給代理,是因為程式語言和工具本身就有許多不足。而任職於 Entire 的 Haimantika 則提出不同看法:問題從來不在語言或工具,而在於推理過程在「人」與「成品」之間被丟棄了。commit 訊息一直都很糟,文件一直都在腐爛,「這段為什麼存在」向來只能靠還記得的人回答。代理只是把這個問題變得更尖銳,因為現在根本沒有人記得了。她表示,這正是 Entire 想要修復的部分,如果更好的程式語言也能解決這個問題,他們也樂見。
值得注意的是,Entire 並非孤例。原始碼管理領域正湧現一批新玩家,包括 Zed 的 DeltaDB、Anthropic 的 Scion、East River Source Control、Cursor 的 Origin,以及去中心化取向的 Radicle 等。這說明 AI 代理介入開發流程後,連最基礎的版本控制與協作工具層,都正在被重新思考。
影響與限制
Entire 的價值主張在於兩點:一是把合併決策從「讀不完的 PR 日誌」轉為可量化的 eval 分數與明確的 Gates 條件,讓人類在多代理高速迭代的環境中仍能保有判斷依據與治理能力;二是用 continuous memory 解決「沒有人記得脈絡」的問題,讓代理擁有跨階段的知識基礎。不過,這套模式的有效性取決於審查代理的評分是否可靠、slop 等指標的定義是否一致,而這些細節仍需實際專案驗證。對團隊而言,Entire 代表的是一個值得觀察的方向:當 AI 成為主要的程式碼產出者,協作基礎設施本身也必須跟著重新設計。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理,並非原文逐字翻譯。