LinearB uruchamia Agentic Studio, aby zapewnić agentom programistycznym kontekst inżynieryjny

LinearB uruchomiło Agentic Studio, które przekształca dane o dostarczaniu oprogramowania w kontekst przydatny liderom zespołów inżynieryjnych i agentom programistycznym przy podejmowaniu decyzji. Platformę ogłoszono 2 listopada. Łączy ona analizę w języku naturalnym z warstwą kontekstu inżynieryjnego obejmującą narzędzia wykorzystywane przez zespoły do planowania, pisania, przeglądania i wydawania oprogramowania.

Uruchomienie platformy odzwierciedla narastający problem związany z programowaniem wspomaganym przez AI: generowanie większej ilości kodu nie oznacza automatycznie, że organizacja szybciej dostarczy użyteczne oprogramowanie. Przeglądy mogą się zatykać, ocena zmian może stawać się coraz trudniejsza, a agenci mogą rozpoczynać zadanie, nie wiedząc, które usługi są podatne na awarie ani dlaczego dana poprawka ma znaczenie.

Zgodnie z zapowiedzią Agentic Studio jest dostępne dla wszystkich klientów LinearB. Umiejętności agentów, w tym pierwsza funkcja dopasowująca nakład pracy agenta do zadania, są dostępne we wczesnym dostępie.

Przekształcanie danych o dostarczaniu oprogramowania w kontekst inżynieryjny

LinearB gromadzi informacje dotyczące całego procesu dostarczania oprogramowania i normalizuje je w ramach wspólnego modelu. Firma twierdzi, że uzgadnia tożsamości inżynierów w systemach Git i zarządzania projektami, łączy zmiany od zgłoszenia do wydania oraz dodaje atrybucję AI i punkty odniesienia, które pomagają liderom interpretować wyniki.

Kluczowym krokiem jest połączenie tych danych. Prośba o włączenie zmian może wydawać się prosta, gdy rozpatruje się ją w oderwaniu od kontekstu, a jednocześnie dotyczyć usługi, w której niedawno dochodziło do incydentów, często trzeba było poprawiać wcześniejsze zmiany lub obowiązuje skomplikowany podział odpowiedzialności. Powiązanie zmiany z tą historią dostarcza osobie weryfikującej lub agentowi programistycznemu informacji, których może nie zawierać sam zrzut repozytorium.

W nowym środowisku liderzy mogą zadawać pytania prostym językiem, otrzymywać propozycje kolejnych kroków oraz korzystać z pomocy AI przy tworzeniu metryk, pulpitów nawigacyjnych i innych materiałów. LinearB twierdzi, że organizacje mogą określać kontekst dostępny dla użytkowników, korzystając z wbudowanej w platformę kontroli dostępu opartej na rolach.

Ten kierunek jest zgodny z wskazówkami firmy dotyczącymi inżynierii kontekstu, które kładą nacisk na wybór istotnych informacji zamiast bezładnego wypełniania okna kontekstowego agenta. W ramach tego podejścia uwzględnia się kod, intencje stojące za zmianą, powiązania między systemami oraz granice dostępu agenta.

Umiejętność we wczesnym dostępie, która dopasowuje nakład pracy do ryzyka

Pierwsza umiejętność agenta ma określać, ile pracy wymaga dane zadanie programistyczne. LinearB twierdzi, że bierze pod uwagę znaczenie biznesowe, złożoność i ryzyko, korzystając z takich sygnałów jak wskaźniki poprawek, niedawne incydenty dotyczące usług i historia odpowiedzialności za nie.

Zmiana o niskim ryzyku może zostać obsłużona w prostszy sposób i przy użyciu mniejszej liczby tokenów, natomiast zmiana o poważniejszych konsekwencjach może wymagać dokładniejszej analizy i testowania. Liderzy zespołów inżynieryjnych mogą sprawdzić, jak często zadania są kierowane do kategorii niskiego, średniego lub wysokiego nakładu pracy. Firma twierdzi, że ta umiejętność działa z każdym agentem programistycznym, jednak w zapowiedzi nie przedstawiono porównawczych wyników dla konkretnych agentów ani nie podano oszczędności tokenów faktycznie uzyskanych w praktyce.

Ta koncepcja inżynieryjna jest przydatna nawet zanim uda się potwierdzić oszczędności. Jednolity budżet na rozumowanie traktuje tak samo drobną zmianę konserwacyjną i istotną poprawkę w środowisku produkcyjnym. Kontekst dopasowany do zadania może pomóc przeznaczyć więcej uwagi na te obszary, w których błędy są kosztowne, i ograniczyć niepotrzebną pracę przy prostszych zmianach.

MCP łączy dane z istniejącymi procesami pracy opartymi na AI

LinearB udostępnia również informacje inżynieryjne za pośrednictwem protokołu Model Context Protocol, czyli MCP. Na stronie produktu MCP opisano dostęp w języku naturalnym do metryk dotyczących dostarczania oprogramowania, niestandardowych raportów i analiz wąskich gardeł, a także rekomendacji, takich jak automatyzacja przeglądów i kierowanie zadań.

Dzięki temu zespoły mogą analizować dane inżynieryjne z poziomu klienta AI, zamiast ręcznie przechodzić między pulpitami nawigacyjnymi. MCP zapewnia połączenie z narzędziami i informacjami, a warstwa kontekstu dostarcza zależności charakterystyczne dla procesu dostarczania oprogramowania, dzięki którym pytania dotyczące repozytorium lub zespołu nabierają znaczenia.

Wraz z wdrażaniem nowej platformy trzeba wyjaśnić pewną różnicę. Chociaż w zapowiedzi wspomniano o dostępie opartym na rolach i zabezpieczeniach dla przedsiębiorstw, w publicznej sekcji FAQ LinearB dotyczącej MCP dostęp do MCP ograniczony zakresem uprawnień nadal figuruje jako element planów rozwoju. Dlatego informacji o kontroli dostępu w nowym środowisku nie należy odczytywać jako potwierdzenia, że każdy istniejący klient MCP już dziedziczy wszystkie uprawnienia LinearB.

Dlaczego większa ilość treści generowanych przez AI może uwidaczniać wąskie gardła w dalszych etapach procesu

W zapowiedzi LinearB przytoczono benchmarki AI z 2026 roku, opracowane na podstawie 2,7 miliona próśb o włączenie zmian i danych 83 000 deweloperów z 253 organizacji. Według firmy deweloperzy korzystający z AI przez co najmniej 75% dni poświęconych na programowanie włączali tygodniowo o 96% więcej próśb o włączenie zmian niż rok wcześniej.

Liczby te opisują zaobserwowaną aktywność, ale nie dowodzą, że za zmianę odpowiada wyłącznie AI. Większa liczba włączonych próśb o zmiany nie oznacza też, że klienci otrzymali dwa razy większą wartość. W komunikacie osobno przytoczono wyniki wskazujące, że zmiany wspomagane przez AI były większe, a na przegląd próśb o zmiany utworzonych przez agentów czekano znacznie dłużej. Pokazuje to, jak szybsze generowanie kodu może przenosić obciążenie na pozostałe etapy procesu dostarczania oprogramowania.

Przykład klienta dobrze obrazuje tę różnicę. LinearB podaje, że Kraken wykorzystał swój serwer MCP wraz ze sztuczną inteligencją, aby zbadać opóźnienia w przeglądach, i ustalił, że większe znaczenie niż duże zmiany miały strefy czasowe oraz dostępność osób dokonujących przeglądu. Według doniesień Kraken skrócił czas przeglądu o ponad połowę w ciągu czterech miesięcy, mierząc go na poziomie 90. percentyla. Opublikowana rozmowa z Krakenem dostarcza dodatkowych informacji na temat wykorzystania danych z repozytorium i wskaźników procesu dostarczania oprogramowania do wykrywania wąskich gardeł.

Od mierzenia wdrażania AI do usprawniania procesu dostarczania oprogramowania

LinearB planuje dodać kolejne umiejętności agentów, które będą wspierać dalsze etapy pracy, takie jak przegląd, scalanie i nadzór. Są to plany na przyszłość, odrębne od obecnej dostępności Studio i statusu wczesnego dostępu do umiejętności szacowania nakładu pracy.

Szersza idea jest taka, że agenci kodujący muszą rozumieć organizację otaczającą kod: co jest ważne, kto za co odpowiada, gdzie wcześniejsze zmiany się nie powiodły i jakie obowiązują ograniczenia. Agentic Studio wprowadza tę ideę na platformę zwiększającą produktywność programistów, a jego wartość będzie ostatecznie mierzona jakością i sprawnością dostarczania zmian, a nie ilością wygenerowanego kodu.