Zjistěte, jak AMP – průkopnický kódovací agent Sourcegraphu – mění prostředí AI vývoje díky rychlé iteraci, autonomnímu uvažování a nástrojovým agentům. A proč se tradiční vývojářské nástroje stávají zastaralými.
Oblast AI kódovacích agentů prochází bezprecedentními otřesy. To, co bylo špičkové před šesti měsíci, je dnes považováno za zastaralé. GitHub Copilot, kdysi zlatý standard AI asistovaného vývoje, byl překonán novějšími nástroji. Cursor dominoval trhu jako nejrychleji rostoucí startup všech dob, jen aby čelil konkurenci ještě pokročilejších řešení. V tomto rychle se vyvíjejícím ekosystému učinil Sourcegraph odvážné strategické rozhodnutí: místo postupného vylepšování existujícího produktu Cody spustil AMP – zcela nového kódovacího agenta, stavěného od základů tak, aby využíval nejnovější možnosti AI.
Článek zkoumá filozofii, technickou architekturu a obchodní strategii AMP a čerpá přitom z rozhovorů s týmem, který za tímto revolučním nástrojem stojí. Podíváme se, proč tradiční přístupy k vývoji produktů selhávají v době rychlého rozvoje AI, jak se nástrojoví agenti zásadně liší od dřívějších AI kódovacích asistentů a jak vypadá budoucnost autonomního vývoje. Především ale pochopíme, proč je „císař nahý“ – proč se zavedené produkty se zdánlivě neotřesitelnou pozicí na trhu mohou stát během jediné noci irelevantními, pokud se změní základní technologie.
{{ youtubevideo videoID=“b4rOVZWLW6E” provider=“youtube” title=“AMP: The Emperor Has No Clothes - Why AI Coding Agents Are Disrupting Developer Tools” class=“rounded-lg shadow-md” }}
Vývoj AI asistovaného vývoje sledoval jasnou trajektorii, kdy každá generace stavěla na předchozí, ale zároveň zásadně měnila způsob, jakým vývojáři s umělou inteligencí pracují. Abychom pochopili význam AMP, musíme nejprve porozumět tomu, co odlišuje kódovacího agenta od starších forem AI asistence. Cesta začala s GitHub Copilot, který přinesl doplňování a návrhy kódu přímo do editorů vývojářů. Copilot byl revoluční, protože nenásilně začlenil AI do vývojového workflow a nabízel návrhy při psaní. Byl však zásadně omezený – mohl navrhovat kód, ale nedokázal provádět složité, vícekrokové úlohy ani komunikovat se širším vývojovým prostředím.
Další generace přinesla nástroje jako Cursor a Windsurf, které šly jinou cestou: vytvořily forky IDE s hlubší integrací AI do vývojového prostředí. Tyto nástroje ukázaly, že částečně agentické schopnosti – kdy AI dokáže provádět složitější operace v IDE – mohou výrazně zvýšit produktivitu vývojářů. Vývojáři byli ochotni změnit celé své prostředí, pokud AI schopnosti byly dostatečně pokročilé. I tyto nástroje však měly omezení: byly interaktivní, vyžadovaly vstup a schválení od vývojáře v každém kroku a nedokázaly fungovat skutečně autonomně.
Kódovací agent je naproti tomu zásadně odlišná architektura. Agent se skládá ze tří základních komponent: jazykového modelu (typicky špičkového modelu jako Claude 3.5), systémového promptu, který definuje chování a omezení agenta, a sady nástrojů s odpovídajícími prompty popisujícími, co který nástroj umí. Kritický rozdíl je v tom, že agenti mohou operovat s explicitními oprávněními pro komunikaci s externími systémy – souborovými systémy, editory kódu, verzovacími systémy a dalšími. Agent tak může samostatně přemýšlet o problému, zvolit vhodné nástroje, spustit je, sledovat výsledky a opakovat postup, dokud úloha není hotová. To je zásadně silnější než jakýkoliv předchozí přístup, protože umožňuje skutečně autonomní chování, nikoliv jen vylepšené návrhy nebo interaktivní asistenci.
Technologický svět vstoupil do fáze bezprecedentní nestability. To, co bylo špičkou před osmnácti měsíci, je dnes považováno za primitivní. GitHub Copilot, vydaný v roce 2021, byl skutečně revoluční – znamenal první mainstreamovou aplikaci velkých jazykových modelů na softwarový vývoj. Dnes jej však mnozí vývojáři ani neřadí mezi nejlepší možnosti AI asistovaného kódování. Není to proto, že by se Copilot zhoršil, ale protože základní technologie se posunula tak rychle, že se změnila celá kategorie. Pro zavedené firmy to představuje zásadní výzvu: Jak udržet úspěšný produkt, když se půda pod ním neustále mění?
Tradiční vývoj produktů předpokládá relativně stabilní základy. Najdete product-market fit, produkt rozšíříte, nastavíte správné inženýrské praktiky, přidáte podnikové funkce, uzavřete dlouhodobé smlouvy se zákazníky. Tento postup funguje desítky let, protože technologie se obvykle vyvíjí postupně. Ale v éře AI je tento přístup aktivně škodlivý. Pokud optimalizujete produkt na škálování a stabilitu, zpomalujete. Pokud jste pomalí, minete další vlnu vylepšení. Než přidáte podnikové funkce a bezpečnostní certifikace, objeví se nový model, který celý váš přístup udělá zastaralým.
Sourcegraph čelil této přesné situaci s Cody. Cody byl úspěšný produkt s podnikových zákazníky, dlouhodobými kontrakty a významnými příjmy. Byl však úzce provázaný s platformou Sourcegraph, což znamenalo, že byl vázán na její release cykly. Platforma měla vlastní infrastrukturu, vlastní plán nasazení a vlastní omezení. Když vyšel Claude 3.5 Sonnet a tým zjistil, že může postavit něco zásadně jiného – nástrojového agenta s autonomním uvažováním – stáli před volbou: pokusit se tyto schopnosti začlenit do Cody, nebo začít znovu s novým produktem. Rozhodli se začít znovu, což ukazuje zásadní poznatek o konkurenci v rychle se měnícím trhu.
Hlavní zjištění bylo, že nemůžete „udělat $20 předplatné“ pro nástrojového agenta. Výpočetní náklady jsou zásadně jiné. Chatovací asistent jako Cody dokáže běžet efektivně na skromné infrastruktuře. Nástrojový agent, který uvažuje o kódu, spouští nástroje a autonomně iteruje, potřebuje mnohem více výpočetního výkonu. To není jen otázka ceny; je to signál, že produkt je zásadně jiný a vyžaduje jiný obchodní model, jiná očekávání zákazníků a jinou strategii uvádění na trh. Tím, že vytvořili AMP jako samostatný produkt s vlastní značkou, mohl Sourcegraph tato očekávání zcela resetovat. Mohli zákazníkům říct: „Tohle není Cody 2.0. Tohle je něco úplně jiného. Stojí to víc, protože to umí víc. Funguje to jinak, protože je to postavené na jiné architektuře.“
Abychom opravdu ocenili, proč AMP představuje změnu paradigmatu, musíme detailně pochopit technickou architekturu nástrojových agentů. Nástrojový agent není jen jazykový model s přístupem k funkcím. Architektura je sofistikovanější a výkonnější. Systém začíná špičkovým jazykovým modelem – v případě AMP je to Claude 3.5 Sonnet – vytrénovaným na efektivní používání nástrojů. Model přijímá systémový prompt, který definuje jeho roli, omezení a cíle. Důležité je, že systémový prompt není jen volná instrukce; je to pečlivě navržený prompt, který formuje, jak model uvažuje o problémech a rozhoduje, jaké nástroje použít.
Vedle systémového promptu má každý nástroj vlastní prompt, který popisuje, co nástroj dělá, jaké parametry přijímá, co vrací a kdy jej použít. To je klíčové, protože jazykový model musí chápat nejen, že nástroj existuje, ale i k čemu slouží a kdy je vhodné jej použít. Například agent může mít nástroje pro čtení souborů, zápis souborů, spouštění kódu, běh testů a commit změn. Každý nástroj má detailní popis, který modelu pomáhá rozhodovat, jaký nástroj použít v jaké situaci. Model pak může autonomně zvolit nástroje, sledovat výsledky a iterovat podle toho, co zjistí.
Síla této architektury vynikne, když si představíte, co agent dokáže. Vývojář může agentovi zadat „implementuj novou funkci, která přidá uživatelské ověřování do tohoto kódu“. Agent pak autonomně: přečte stávající kód, pochopí architekturu, určí, kde integrovat autentizaci, napíše potřebný kód, spustí testy pro ověření, při chybě kód upraví a nakonec změny commitne. To vše bez zásahu člověka. Agent uvažuje o problému, rozhoduje, jaké nástroje použít, a iteruje podle zpětné vazby.
To je zásadně odlišné od dřívějších AI kódovacích nástrojů. Copilot navrhne kód, ale nezvládne vícekrokový workflow. Cursor zvládne složitější operace, ale vyžaduje lidské schválení každého kroku. Agent může fungovat autonomně s explicitními oprávněními. Vzniká nová kategorie schopností, která je řádově silnější. Zároveň přináší nové výzvy – autonomní agenti mohou dělat chyby ve velkém měřítku, mohou provést škodlivé operace, pokud nejsou správně omezeni. Vyžadují pečlivý návrh systémových promptů, aby se chovali, jak mají. Právě proto je architektura a přístup AMP tak důležitý.
Když tým AMP začal stavět, učinil zásadní rozhodnutí: rychlost a iterace jsou hlavním cílem optimalizace. Vše ostatní z tohoto rozhodnutí vychází. Znamenalo to vzdát se mnoha praktik, které Sourcegraphu přinesly úspěch s Cody. Žádné formální code review. Žádné obsáhlé plánovací cykly. Žádné bezpečnostní a compliance checklisty na devět měsíců. Místo toho tým přijal mentalitu osobního projektu: push na main, 15 deployů denně, neustálé dogfooding produktu a iterace podle reálného užití.
Tento přístup působí chaoticky a podle tradičních norem softwarového inženýrství i je. Ale pro produkt na špici AI schopností je to přesně správné. Důvod je jednoduchý: špice se pohybuje. Každých pár měsíců vyjde nový model. Každých pár týdnů se objeví nové schopnosti. Každých pár dní se objeví nové techniky prompt engineeringu nebo návrhu nástrojů. V tomto prostředí je schopnost rychle iterovat cennější než schopnost spolehlivě škálovat. Produkt, který vypouští 15 deployů denně, může začlenit nové schopnosti modelu během hodin od vydání. Produkt, který drží tradiční release cykly, bude měsíce pozadu.
Týmová struktura tuto filozofii odráží. Jádro týmu AMP je malé – asi osm lidí – oproti větším inženýrským organizacím. Tato malá velikost je záměrná. Umožňuje rychlé rozhodování a eliminuje komunikační režii, která brzdí velké týmy. Všichni členové týmu jsou zkušení, takže nepotřebují rozsáhlé code review procesy. Produkt sami neustále používají, takže rychle zachytí problémy a rozumí potřebám uživatelů. Nesnaží se stavět produkt pro každého vývojáře; staví jej pro ty, kdo chtějí být stejně rychlí a zůstat na špici AI, a kteří jsou ochotni přijmout nové přístupy k vývoji.
Tato pozice je klíčová. AMP nechce být GitHub Copilot pro všechny. Nechce být výchozím AI nástrojem pro všechny vývojáře. Místo toho se profiluje jako nástroj pro vývojáře a týmy, kteří chtějí být rychlí a zůstat na špici. Jde o mnohem menší trh než „všichni vývojáři“, ale jde o trh, který je ochoten za špičkové schopnosti výrazně víc zaplatit. Obchodní model to odráží: místo předplatného za 20 dolarů měsíčně platí zákazníci AMP stovky dolarů měsíčně. Některé týmy mají roční obraty ve stovkách tisíc dolarů. To je možné, protože hodnota pro cílový segment je extrémně vysoká.
Principy, které řídí vývoj AMP – rychlá iterace, pozice na špici a autonomní uvažování – se přímo týkají i širší automatizace workflow. FlowHunt jako platforma pro stavbu a automatizaci složitých workflow čelí podobným výzvám a příležitostem. Stejně jako se AMP profiluje na zvládnutí další generace AI schopností, FlowHunt dokáže organizacím pomoci stavět workflow, která odolají rychlým technologickým změnám. Důraz na flexibilitu, rychlou iteraci a schopnost rychle začleňovat nové nástroje a schopnosti umožňuje týmům udržet náskok.
Klíčovým poznatkem je, že v rychle se vyvíjejícím technologickém prostředí je schopnost rychle se přizpůsobit cennější než optimalizace pro současné podmínky. Platí to, ať stavíte AI kódovacího agenta, nebo automatizujete firemní procesy. Přístup FlowHunt, umožňující rychlou tvorbu, testování a iteraci workflow, s touto filozofií dokonale ladí. Týmy mohou stavět workflow, která využívají nejnovější AI schopnosti, rychle je testovat a upravovat podle výsledků. S příchodem nových modelů a nástrojů lze workflow rychle aktualizovat bez nutnosti rozsáhlého přepracování. To je budoucnost automatizace: ne statické, optimalizované procesy, ale dynamická, adaptivní workflow, která se vyvíjí spolu s technologií.
Trh AI kódovacích agentů je fascinující případovou studií, jak rychle se může změnit tržní vedení. Na začátku roku 2024 byl Cursor považován za krále AI kódovacích nástrojů. Byl nejrychleji rostoucím startupem všech dob. Vývojáři přecházeli od jiných nástrojů k Cursoru ve velkém množství. Trh vypadal ustáleně. Pak se během několika měsíců debata změnila. Objevily se nové nástroje. Zlepšily se schopnosti. Vývojáři se začali ptát na jiné otázky. V polovině roku 2024 by řada vývojářů už Cursor nenazvala nejlepším AI kódovacím nástrojem. Trh se posunul tak rychle, že předchozí lídr už nebyl jasně dominantní.
Tento vzorec není unikátní pro kódovací agenty. Jde o základní charakteristiku trhů, kde základní technologie rychle postupuje vpřed. V takových trzích je důležitější schopnost rychle se adaptovat než aktuální tržní podíl. Firma s 30 % podílem na trhu, která dokáže rychle iterovat a začleňovat nové schopnosti, nakonec předběhne firmu s 50 % podílem, která je pomalá. Proto bylo rozhodnutí Sourcegraphu vytvořit AMP jako samostatný produkt strategicky správné. Oddělením AMP od Cody se zbavili překážek, které by je zpomalovaly. Mohli se rychle pohybovat, rychle iterovat a zaujmout pozici na špici.
Obecnější poučení je, že na rychle se vyvíjejících trzích je císař často nahý. Zavedené produkty, které vypadají neotřesitelně, mohou velmi rychle zastarat. Ne proto, že by se zhoršily, ale protože technologie se posune a ony se nedokážou dostatečně rychle přizpůsobit. Úspěšné firmy jsou ty, které tento jev chápou a podle toho se pozicují. Nesnaží se optimalizovat pro současné podmínky, ale pro schopnost adaptace na budoucí změny. Nesnaží se obsloužit všechny zákazníky, ale soustředí se na ty, kteří si cení rychlosti a inovace. Nedrží se tradičních postupů vývoje produktů, ale volí praktiky umožňující rychlou iteraci a učení.
Diskuse kolem AMP odhaluje důležitý poznatek o budoucnosti AI agentů: další zásadní posun bude od interaktivních agentů k asynchronním. Dnes většina AI kódovacích agentů funguje interaktivně. Vývojář spustí agenta v editoru nebo CLI, agent provede operace a vývojář vidí výsledky. Typicky běží vždy jen jeden agent a je spuštěn synchronně – vývojář čeká na výsledek. Je to velký pokrok oproti ručnímu kódování, ale není to konečná podoba agentového vývoje.
Další hranicí jsou asynchronní agenti běžící 24/7 na pozadí, paralelně. Místo jednoho agenta může běžet 10, 50 nebo 100 agentů najednou na různých úlohách. Jeden může refaktorovat kód v jedné části projektu, druhý píše testy pro jinou komponentu, třetí analyzuje výkonnost a navrhuje optimalizace. To vše bez zásahu člověka a současně. Důsledky jsou ohromující: 10–100násobné zlepšení objemu práce, zásadní změna fungování vývojových týmů a úplně nová představa o možnostech AI asistovaného vývoje.
Tento posun bude mít zásadní dopad na inferenční náklady, na organizaci týmové práce i na to, co znamená být vývojářem. Přinese i nové výzvy v oblasti zajištění kvality, bezpečnosti a toho, aby autonomní agenti ve velkém nevnášeli chyby nebo zranitelnosti. Potenciální přínos je však obrovský. Týmy, které asynchronní agenty využijí efektivně, zvládnou za dny to, co dnes trvá týdny. Proto je tak důležité být připraven na rychlý pohyb a adaptaci. Firmy, které dokážou postavit efektivní asynchronní agenty jako první, získají obrovskou konkurenční výhodu.
Základní princip, na kterém AMP staví, je stavět na nejistotu. Tým přesně neví, kam se technologie posune, ale ví, že se posune. Neví, které schopnosti budou nejdůležitější, ale ví, že vzniknou nové. Neví, jak bude trh vypadat za šest měsíců, ale ví, že bude jiný. Vzhledem k této nejistotě je racionální optimalizovat pro adaptabilitu, ne pro optimalizaci. To znamená udržovat flexibilitu kódu, schopnost rychle nasazovat, držet se blízko špici AI schopností a být ochoten zahodit přístupy, které přestanou fungovat.
Tento princip se promítá do struktury týmu, obchodního modelu i strategie k zákazníkům. Tým je malý a zkušený, což umožňuje rychlá rozhodnutí. Obchodní model je flexibilní, bez pevné ceny či uživatelského modelu, což umožňuje rychlé změny podle vývoje trhu. Strategie oslovuje vývojáře, kteří chtějí být rychlí, což vytváří přirozené sladění mezi schopnostmi firmy a potřebami zákazníků. Vše vychází z principu stavět na nejistotu a optimalizovat pro adaptabilitu.
Jde o radikálně odlišný přístup oproti tradičnímu vývoji produktů, kde se snažíte předvídat budoucnost, stavět na škálování a optimalizovat pro stabilitu. Ale na trhu, kde technologie rychle postupuje, je tradiční přístup aktivně škodlivý. Zpomaluje vás, uzamkne do rozhodnutí, která rychle zastarají, a brání vám přizpůsobit se novým realitám. Úspěšné firmy v takových trzích jsou ty, které přijímají nejistotu, optimalizují pro adaptabilitu a jsou dost rychlé, aby si udržely náskok.
{{ cta-dark-panel heading=“Zrychlete svůj workflow s FlowHunt” description=“Zažijte, jak FlowHunt automatizuje vaše AI obsahové a SEO workflow — od výzkumu a generování obsahu až po publikování a analytiku — vše na jednom místě.” ctaPrimaryText=“Rezervovat demo” ctaPrimaryURL=“https://calendly.com/liveagentsession/flowhunt-chatbot-demo" ctaSecondaryText=“Vyzkoušet FlowHunt zdarma” ctaSecondaryURL=“https://app.flowhunt.io/sign-in" gradientStartColor="#123456” gradientEndColor="#654321” gradientId=“827591b1-ce8c-4110-b064-7cb85a0b1217” }}
Možnost nasazovat 15x denně není náhoda; je výsledkem vědomých architektonických rozhodnutí. Prvním klíčovým rozhodnutím bylo zcela oddělit AMP od platformy Sourcegraph. Cody byl úzce provázán s platformou Sourcegraph, což znamenalo, že byl vázán na její release cykly a infrastrukturní omezení. AMP byl postaven jako samostatný produkt s vlastní infrastrukturou, vlastním deployment pipeline a vlastním release plánem. Toto oddělení je klíčové, protože eliminuje koordinační režii, která zpomaluje větší systémy. Změny v AMP nevyžadují koordinaci se změnami platformy. Nasazení nečeká na vydání platformy.
Druhým klíčovým rozhodnutím bylo přijmout minimální proces code review. Tým pushuje na main a často nasazuje. Když se něco rozbije, rychle to opraví. Zní to riskantně, ale funguje to, protože tým je malý, zkušený a produkt sám neustále používá. Chyby rychle zachytí, protože produkt sami využívají. Opraví je rychle, protože mají kód v hlavě. Iterují rychle, protože nečekají na schválení code review. Ve velké organizaci s mnoha vývojáři by tento přístup byl nebezpečný, ale v malém, zkušeném týmu je mimořádně efektivní.
Třetím klíčovým rozhodnutím bylo agresivně produkt dogfoodovat. Tým používá AMP na vývoj AMP. Vzniká tak těsné zpětnovazební smyčky, kdy tým okamžitě narazí na jakékoliv limity či problémy. Znamená to také, že tým neustále objevuje nové use-casy a schopnosti. Když používáte vlastní produkt na stavbu vlastního produktu, rychle zjistíte, co funguje a co ne. Odhalíte okrajové případy, které byste tradičním testováním neobjevili. Získáte intuici, jaké funkce jsou nejdůležitější. Proto je dogfooding tak silný pro rychlou iteraci.
Čtvrtým rozhodnutím bylo udržet kód jednoduchý a flexibilní. Místo stavby komplexního optimalizovaného systému tým postavil něco, co se snadno upravuje a rozšiřuje. Díky tomu mohou rychle začleňovat nové schopnosti. Když vyjde nový model, mohou jej rychle integrovat. Když se objeví nová technika prompt engineeringu, mohou ji rychle vyzkoušet. Když najdou lepší přístup k problému, mohou rychle refaktorovat bez obav z rozbití složitých závislostí. Tato jednoduchost a flexibilita má v rychlém trhu větší hodnotu než optimalizace.
Cenový model AMP odhaluje důležité poznatky o tvorbě hodnoty v AI asistovaném vývoji. Tým brzy zjistil, že nelze udělat předplatné za $20 měsíčně pro nástrojového agenta. Nejde jen o cenu, ale je to signál, že produkt je zásadně jiný a vyžaduje jiný obchodní model. Chatovací asistent jako Cody zvládne běžet efektivně na skromné infrastruktuře. Nástrojový agent, který uvažuje o kódu, spouští nástroje a autonomně iteruje, potřebuje výrazně více výpočetního výkonu. Samotné infrastrukturní náklady vyšší cenu ospravedlňují.
Cenový model však odráží i hodnotovou nabídku. Pro vývojáře nebo tým, který dokáže AMP efektivně využít, jsou zisky v produktivitě obrovské. Agent, který zvládne autonomně implementovat funkce, psát testy a refaktorovat kód, ušetří týdně hodiny až dny práce. Pro tým vývojářů se to překládá do výrazné hodnoty. Pokud AMP ušetří týmu 10 hodin týdně a hodina vývojáře stojí $100, pak AMP vytváří hodnotu $1,000 týdně. Účtovat stovky dolarů měsíčně je jen zlomek této hodnoty. Proto některé týmy dosahují ročních obratů ve stovkách tisíc dolarů – hodnotová nabídka je tak silná, že cena je vlastně výhodná.
Obchodní model také odráží strategické pozicování. Vyšší cenou než tradiční kódovací nástroje AMP signalizuje, že jde o jinou kategorii produktu. Nekonkuruje cenou, ale schopnostmi a hodnotou. Přitahuje zákazníky, kterým záleží na schopnostech a hodnotě, a odrazuje ty, kteří hledají jen nejlevnější řešení. To je přesně správný zákaznický segment pro produkt na špici AI. Chcete zákazníky, kteří oceňují špičkové schopnosti a jsou ochotni za ně platit. Nechcete zákazníky, kteří hledají jen nejlevnější možnost, protože ti přejdou k dalšímu nejlevnějšímu nástroji, jakmile se objeví.
Jedním z nejzajímavějších aspektů přístupu Sourcegraphu je, jak zvládají napětí mezi inovací a stabilitou. Sourcegraph má úspěšný, ziskový byznys s Cody a širší platformou Sourcegraph. Tento byznys financuje odvážné experimenty s AMP. Zároveň to vytváří organizační napětí. Jak udržet stabilní, výdělečný byznys a zároveň usilovat o radikální inovace? Jak udržet zkušené inženýry soustředěné na nový produkt, když mají hluboké znalosti toho stávajícího?
Odpověď spočívá v několika klíčových rozhodnutích. Zaprvé, Sourcegraph se jasně rozhodl nesnažit se převádět existující zákazníky Cody na AMP. Místo toho využ
AMP je průkopnický kódovací agent vyvinutý společností Sourcegraph, který využívá pokročilé jazykové modely s možností volání nástrojů pro autonomní uvažování a provádění změn v kódu. Na rozdíl od Cody, který byl úzce integrovaný s platformou Sourcegraph a vázaný na její release cykly, AMP funguje nezávisle na vlastní infrastruktuře, což umožňuje 15+ nasazení denně a rychlou iteraci nových schopností modelu.
Sourcegraph vytvořil AMP jako samostatný produkt, aby nenarušil stávající podnikovou smlouvu a očekávání zákazníků ohledně Cody. Přechod z chatového asistenta na nástrojového agenta představuje zásadní změnu v tom, jak vývojáři interagují s AI. Vytvořením nové značky a produktu mohl Sourcegraph resetovat očekávání, postupovat rychleji bez starých omezení a zaujmout místo na špici AI vývoje, aniž by odcizil stávající zákazníky.
Nástrojoví agenti jsou AI systémy, které kombinují jazykový model, systémové prompty a externí nástroje pro provádění autonomních úloh. Na rozdíl od tradičních chatbotů mohou nástrojoví agenti komunikovat se souborovým systémem, editory kódu a dalšími externími systémy na základě explicitních oprávnění. To jim umožňuje samostatně provádět komplexní, vícekrokové workflow, což je činí zásadně silnějšími pro úkoly softwarového vývoje.
AMP roste o více než 50 % měsíc co měsíc, přičemž některé týmy dosahují ročního obratu stovek tisíc dolarů. Produkt dosáhl pozitivních hrubých marží při zachování tohoto tempa růstu. Sourcegraph se strategicky zaměřil na vývojáře, kteří chtějí být rychlí a zůstat na hranici možností modelů, místo aby se snažil získat každého vývojáře ve firmě.
Diskuze zdůrazňuje, že asynchronní agenti běžící 24/7 na pozadí ovládnou další fázi AI vývoje. Namísto interaktivních agentů běžících po jednom v editoru budou týmy provozovat 10–100 agentů současně, což povede k 10–100násobnému zlepšení výstupu i inference. Klíčem k úspěchu je nastavit produkt tak, aby byl rychlý a dokázal se přizpůsobit novým modelům a schopnostem, které se objevují každých pár měsíců.
Arshia je inženýr AI pracovních postupů ve FlowHunt. Sxa0vzděláním vxa0oboru informatiky a vášní pro umělou inteligenci se specializuje na vytváření efektivních workflow, které integrují AI nástroje do každodenních úkolů a zvyšují tak produktivitu i kreativitu.
Vyzkoušejte, jak FlowHunt pomáhá týmům rychleji stavět, testovat a nasazovat workflow poháněné AI než kdy dříve.
Objevte, jak Ona (dříve Gitpod) revolucionalizuje vývoj softwaru díky AI agentům, kteří pracují v plně nakonfigurovaných, sandboxovaných cloudových prostředích....
Prozkoumejte oznámení z OpenAI DevDay 2025, včetně Apps SDK, Agent Kit a Model Context Protocol. Zjistěte, proč je promptování důležitější než kdy dříve pro tvo...
Objevte příběh Roye Lee a Cluely—odvážného AI nástroje, který bourá konvence, redefinuje produktivitu a rozdmýchává debatu o etice, férovosti a budoucnosti uměl...
Souhlas s cookies
Používáme cookies ke zlepšení vašeho prohlížení a analýze naší návštěvnosti. See our privacy policy.
