Agentic AI:平台工程中缺失的一环

🔥Agentic AI引爆云原生!平台工程效率提升的关键在于Agentic AI,它能自动化复杂流程,实现团队速度飞跃。互操作性、安全性、开发者工作流是落地关键。未来,Agentic Mesh将重塑CI/CD、云资源优化,速来解锁!

译自:Agentic AI: The Missing Piece in Platform Engineering

作者:Emilio Salvador

AI正在迅速改变软件开发,但其大部分价值仅集中在提高个人开发人员的生产力上。代码辅助为启动新项目、构建脚手架和摆脱“空白屏幕”问题带来了可喜的效率。

然而,软件开发真正的游戏规则改变者是使用Agentic AI来实现平台工程的潜力,使组织能够从其投资中获得最大回报。这种方法可以显著提高代码质量、降低成本并提高开发人员的生产力。

用于平台工程的Agentic AI

越来越多的团队试图采用平台工程方法,该方法集成了紧密的工具和流程,但未能充分发挥这些投资的潜力。一些最大的障碍是自动化手动流程、在团队中扩展标准化工作、维护平台组件以及驾驭复杂而细致的工程环境。

Agentic AI非常适合平台工程。许多用例(例如故障修复、代码审查、测试生成和覆盖、文档、安全策略、网络策略和变更管理)超出了我们心智模型的范围。 企业软件中的代码开发具有高度的细微差别和上下文。语言可能具有截然不同的性能挑战。初级开发人员可能没有足够的上下文来有效地编写提示。安全和合规性策略也可能造成未知的限制。没有哪个平台工程师可以完全掌握所有这些用例中的每个安全、网络和应用层问题。

与仅响应直接提示的传统AI助手不同,Agentic AI具有对团队软件开发基础设施的完整上下文,并且可以根据触发器和状态启动操作,使其成为平台工程框架的完美补充。

实施Agentic AI时的注意事项

领导者在将Agentic AI纳入平台工程工作流程时应考虑的一些关键事项包括:

互操作性、可扩展性和可靠性

  • Agent将如何与其他Agent通信,包括跨供应商产品领域?
  • Agent“网格”将如何弹性扩展,并在其调试和停用中提供与微服务相同程度的可预测性,而不会影响性能?
  • 当AI Agent遇到意外或不良结果时,它们将如何自我纠正?
  • 它们将如何处理并发、多线程、最终一致性以及其他可靠性和系统故障领域?

安全性、治理和可观测性

  • AI Agent将如何与现有网络策略交互以定义它们可以访问和不能访问的内容?
  • Agent将如何与大量数据源交互?
  • Agentic AI数据的入口和出口将如何与现有数据治理、安全和隐私策略相协调?
  • 如何收集AI Agent的遥测数据,如何衡量它们的性能,以及当它们行为不正确时,修复会是什么样子?

开发者工作流程

通过AI Agent和平台工程实现速度

团队在使用现有AI工具时面临的一个限制是,他们专注于个人生产力而不是团队速度。随着AI Agent的成熟,组织可以使用这些工具来推断和应用跨团队的上下文。这些智能且适应性强的AI Agent超越了固定的界面和预设的工作流程。

我看到Agentic AI快速发展的一个领域是大多数团队今天致力于的“技术强制性”预算领域,例如减少技术债务、修复安全漏洞、重构自动化或基础设施以及重新平台化遗留应用程序。所有这些的共同点是它们都充满了密集的上下文,并对Agentic AI可以消除的自动化构成障碍。 例如,团队经常创建模板,以在平台级别标准化和自动化流程,例如 CI 管道。传统上,这需要大量的手工工作来确定要定位的正确流程——那些被广泛使用、具有可重复步骤并且将对团队产生最重大影响的流程。Agentic AI 减少了这些手动步骤。

Agentic 系统无需依靠人工来识别用于标准化的流程,而是可以识别过去一年的所有基于 Java 的项目,分析每个项目的构建流程,并识别基于 AI 自动化的最佳候选对象。然后,系统可以创建团队可以自定义和构建的草稿模板。

Agentic AI 系统成熟的下一个阶段是开发 agentic mesh,这是一个复杂的生态系统,AI 代理可以在其中相互发现、协作并以以前不可能的方式应对复杂的挑战。这些代理可以监控 CI 作业,建议流程优化并实施这些建议。他们还可以识别成本优化的机会,并直接调整云资源以匹配需求模式。

平台工程已经交付了显著的价值,但许多组织在充分发挥其潜力方面已经达到了瓶颈。Agentic AI 是提升平台工程工作的关键缺失组件,它通过自动化复杂流程、大规模应用上下文理解以及实现真正的团队速度,而不仅仅是个人的生产力。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注