在过去的几年中,AI Agent 应用的开发方式经历了快速演变。生成式 AI 的高速发展,使得许多我们不久前构建的应用,很快就被视为“遗留系统”。
在AI应用快速发展的今天,框架选择和迁移策略直接影响着项目的成功。本文基于一个真实的企业级项目,深入分析从Microsoft Semantic Kernel迁移到Spring AI的完整实践过程,为同样面临技术选型的团队提供实战参考。
PS:本文的适用场景是:中大型老旧系统、大量的相同技术栈应用,即可以通过构建工具来获得规模化效应,进而在 ROI 的成本上获得更可观的收益。
2025 年注定不只是一个 “Agent 元年”,而是一个体系化跃迁的起点。在几个月过去,这个判断被不断印证,也不断被现实加速。
在那篇《AutoDev Next》的愚人节文章里,我们介绍了 AutoDev 下一阶段的一些构思和想法,而 AutoDev Remote Agent 则是其中一个重要的组成部分。
在先前《预上下文生成》的文章中,我们介绍了预生成上下文的概念和实践:
在过去的两周里,在我们开发 AutoDev Workbench 的过程中,大量地使用 AI 来辅助我们从需求分析、代码生成、测试生成等工作。
过去的一个多月里,我们构建了一个新的 AI 编程工具:AutoDev Workbench ( https://www.autodev.work/ ) 。它是一个 AI
在上一篇文章《AI 友好架构:平台工程赋能 AI 自动编程》,我们提及了 DevOps 平台应该大量的预先生成项目、模板、上下文等信息。在这一篇文章中,