Coinbase、Shopify和Ramp都构建了自己的编码代理，但三家依然在向Anthropic付费。这一现象揭示了一个重要趋势：企业工程团队正在AI辅助软件开发上收敛到同一种通用架构。 这些公司自己构建的内部编码代理，并没有取代Claude Code、Codex或Cursor等商业工具。与其说这是“自研还是购买”的抉择，不如说是一种架构层面的分工。 它们选择拥有的并不是大语言模型，而是代理“马具”——也就是负责提供上下文、权限、工作流编排、工具访问和验证的执行环境。来自Anthropic、OpenAI和Google的前沿模型仍然承担着推理引擎的角色，但企业正在越来越多地掌控模型之外的一切。 LangChain最近也承认这套架构已经变得可复制：它开源了Open SWE，并称这是已经在Stripe、Ramp和Coinbase内部部署的同一模式的公开实现。 竞争壁垒在模型之外 尽管Forge、River和Inspect三个代理是独立开发的，但它们解决的问题惊人地相似。 Coinbase的Forge将Slack、GitHub和Linear整合到一个工作流中，几乎不需要开发人员干预，就能把一条bug报告直接转成Pull Request。当问题被提交后，Forge会自动获取仓库上下文、生成代码、验证改动，甚至还能生成一个移动端构建供评审。 Shopify的River也遵循同样的架构思路。Shopify认为其成功很大程度上并不归功于代理本身，而是底层开发者平台。River运行在一个可复现的工程环境之上，这套环境依托全公司级monorepo、持久化执行会话和沙箱环境，从而让代理能够稳定、安全地完成复杂任务。 Ramp的Inspect同样如此——它的核心能力来自与内部系统的深度集成，而非模型本身的参数规模。 这些案例传递的信号非常明确：模型的智能可以被任何人采购，但真正难以复制的是围绕模型构建的上下文、工作流和验证体系。企业自研的并不是模型，而是让模型在其真实代码库中安全、高效工作的那层“脚手架”。也正因如此，即便有强大的商业工具存在，这些公司仍会选择在Anthropic等模型之上构建自己的代理层——同时继续为模型本身付费。
热门跟贴