Opkøb

Cosmos Software Factory flytter til Harness i Augment Code-aktivsalg

mm
Føj Unite.AI til dine foretrukne kilder på Google

Harness har erhvervet udvalgte aktiver fra Augment Code, herunder Cosmos software factory, Auggie CLI, Code Context Engine og relateret teknologi, hvor holdet bag disse produkter slutter sig til Harness, medstifter og administrerende direktør Jyoti Bansal annoncerede i et Harness blogindlæg den 8. oktober 2026. Cosmos bliver Harness Cosmos Software Factory Agent og er nu tilgængelig.

Aktivsalg og ledelsesudtalelser

Aftalen overfører udvalgte Augment Code-aktiver, specifikt Cosmos software factory, Auggie CLI, Code Context Engine og relateret teknologi, til Harness, og de medarbejdere, der har bygget disse produkter, flytter med dem. Ifølge virksomhedens pressemeddelelse slutter holdet sig til for at accelerere Harness’ arbejde med at gøre hele softwareudviklingslivscyklussen stadig mere autonom. Bansal skrev, at Harness investerer i produkterne, teknologien og de personer, der har bygget dem.

I pressemeddelelsen sagde Bansal, at AI’s indvirkning på software vil blive målt på, hvor meget værdifuld software når kunderne, frem for hvor meget kode den genererer. Han placerede opkøbet som en sammensmeltning af kodekontekst med leverings- og produktionskontekst, så agenter kan foretage bedre ændringer fra starten. Igor Ostrovsky, medstifter og CTO for Augment Code, sagde, at virksomheden havde til formål at bringe AI ind i hele softwareudviklingslivscyklussen, begyndende med kontekstbevidst kodning, og beskrev indtrædelsen i Harness som det næste skridt mod den vision.

Augment Code gav sin egen beretning i et indlæg af administrerende direktør Matt McClernan offentliggjort samme dag. McClernan skrev, at virksomheden gik med til at sælge de udvalgte aktiver, fordi, efter hans karakterisering, Harness’ integrerede platform leverer disse funktioner til kunderne mere effektivt end at bygge dem uafhængigt. Han sagde, at flytningen udvider rækkevidden af Augment’s udviklerfokuserede kodningskapaciteter og fortsætter dens \”original mission: improving software development at scale using AI.\” Hans indlæg beskrev virksomhedens grundlæggende antagelse: at enterprise-udviklingsteams havde brug for en anden tilgang til AI-assisteret kodning, fordi traditionelle værktøjer behandlede kodegenerering som en selvstændig opgave, mens den sværere udfordring var at orkestrere AI-skrevet kode på tværs af komplekse systemer i stor skala, hvilket virksomheden kalder softwarefabrikker.

Sådan fungerer Cosmos Software Factory

Cosmos indtager en defineret rolle i Harness-platformen: automatisering af ingeniørarbejde fra idé til kode, hvorefter Harness’ eksisterende agenter bringer koden ind i produktion og drift. Bansal skrev, at arbejdsgangens mål er en ændring, der er klar til holdets merge-beslutning.

Arbejde i Harness Cosmos starter fra begivenheder i stedet for kun manuelle anmodninger. En tildelt ticket, en rapporteret fejl, et skrevet krav, en åben pull request, en udløst alarm, et ankommet webhook eller en plan kan hver især igangsætte arbejde. En flåde af Cosmos-agenter planlægger derefter ændringen, skriver koden og tester, og åbner en pull request, og når en reviewer kommenterer eller en kontrol fejler, retter en agent problemet i den samme pull request, og følger arbejdet gennem mislykkede kontroller og merge-konflikter.

Hver agent arbejder i sin egen isolerede virtuelle maskine og inddrager en ingeniør ved vurderingskontrolpunkter, såsom godkendelse af et design eller udførelse af den endelige merge. Teams kan starte med forudbyggede agenter kaldet Eksperter, tilpasse hver enkelt til deres egen kodebase og implementere den på tværs af organisationen. Pressemeddelelsen nævner Project Builder, PR Author, Deep Reviewer og PR Fixer som forudbyggede Eksperter, mens Bansals indlæg lister PR Author, Deep Reviewer, Risk Analyzer og Verifier som eksempler, som teams kan tilpasse.

Den understøttende infrastruktur omfatter Code Context Engine, som holder et live-kort over kodebasen, så ændringer passer til den eksisterende kode; modelrouting, der matcher hver opgave med en model; indbyggede integrationer med GitHub, Jira og Slack; delt hukommelse, der overfører erfaringer fra hver gennemgang til den næste ændring; samt versionerings- og budgetkontroller til kørsel af autonom kodning på tværs af en ingeniørorganisation. Fabrikkens angivne output er en gennemgået, merge-klar pull request, som Harness-agenter derefter tester, sikrer og implementerer.

Kodekontekst, leveringskontekst og styring

Harness planlægger at forbinde Code Context Engine, som kortlægger en kodebase og de relationer, der er relevante for en opgave, med deres Software Delivery Knowledge Graph, som forbinder kontekst om, hvordan software bygges, testes, sikres, implementeres og drives. Bansals indlæg beskriver to tilsigtede fordele ved at sammenkoble dem: leverings- og produktionskontekst såsom testforventninger, sikkerhedskrav, implementeringsbegrænsninger samt tidligere hændelser og deres afhjælpninger kan informere ingeniørarbejdet, før en ændring skrives, og resultater fra gennemgang, kvalitetstest, sikkerhedstest og implementeringsverifikation kan vende tilbage til ingeniørarbejdsflowet med den nødvendige dokumentation til at undersøge, rette og genvalidere en ændring.

Indlægget illustrerer løkken med en sårbarhed i en implementeret tjeneste. Forbundet kontekst identificerer den berørte kode, den implementerede version, relevante afhængigheder og de kontroller, en rettelse skal bestå. Harness Cosmos forbereder et foreslået fix, og gennemgang, kvalitetstest og sikkerhedstest giver feedback, og efter de nødvendige kontroller og godkendelser tager Software Delivery Agent ændringen gennem implementering og verifikation. Hvis en test eller implementeringskontrol afslører en regression, returnerer beviset til ingeniørarbejdsflowet, så ændringen kan korrigeres og kontrolleres igen, og en udrulning kan holdes eller rulles tilbage i henhold til teamets leveringspolitikker. Pressemeddelelsen angiver, at agenterne kan løbe i en løkke indtil problemet er løst.

Cosmos slutter sig til Harness platformens eksisterende agenter. Software Delivery Agent bygger og implementerer software, håndterer infrastruktur- og databaseændringer og verificerer implementeringer, med rollback hvor det er konfigureret. Security Testing Agent identificerer, prioriterer og adresserer risici på tværs af kode, afhængigheder og softwareforsyningskæden. Runtime Protection Agent arbejder på at forstå sikkerhedsstillingen og forsvare applikationer, API’er og AI i produktion mod runtime-trusler. Cost Management Agent kontrollerer og optimerer cloud- og AI-omkostninger, og forbinder forbrugsindsigt og optimering med indsigter om ingeniøreffektivitet.

Harness Cosmos-workflows vil forbinde med platformens eksisterende policy-as-code, adgangskontroller, godkendelser og revisionsspor. Bansal skrev, at autonominiveauet bør afspejle risiko, og sammenlignede en opdatering kun i dokumentation med en ændring i betalingsbehandling, samt at rutinearbejde med lav risiko kan fortsætte inden for godkendte politikker, mens ændringer med højere risiko kræver yderligere validering eller menneskelig dømmekraft. “Autonomi bør reducere gentagne opgaver, ikke ansvarlighed,” skrev han.

Kunder kan adoptere Harness Cosmos, fortsætte med at bruge deres foretrukne kodningsværktøjer eller bruge begge, ifølge meddelelsen. Harness Cosmos er tilgængelig nu, og Bansals indlæg guider teams til at starte med et ingeniørarbejdsflow, de ønsker at automatisere, fra at implementere en ticket til at forberede en pull request.

Evan Mercer er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑startups, venturekapital og de finansieringsdynamikker, der former næste generation af teknologivirksomheder. Hans rapportering fokuserer på innovation i de tidlige faser, kapitalstrømme og de strategiske beslutninger, som grundlæggere og investorer træffer, når AI‑virksomheder vokser fra koncept til global indflydelse.

Med et strategisk og analytisk perspektiv undersøger Evan finansieringsrunder, markedspositionering og fremvoksende tendenser i AI‑startup‑økosystemet. Han følger, hvordan venturekapital, virksomhedsinvesteringer og de børsnoterede markeder krydser med gennembrud inden for kunstig intelligens, og adskiller holdbare signaler fra kortvarig hype.

Artikler skrevet af Evan Mercer er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, kontekst og ansvarlig dækning af det globale AI‑investeringslandskab