Förvärv

Harness förvärvar Augment Code-tillgångar för att koppla kodningsagenter till mjukvaruleverans

mm
Lägg till Unite.AI bland dina föredragna källor på Google
Conceptual illustration of coding workspaces connected through a knowledge graph to testing gates and production servers, with a feedback loop and human review checkpoints.

Att skriva en kodändring blir allt enklare. Att få den ändringen testad, granskad, säkrad och köras på ett pålitligt sätt för kunderna är fortfarande ett mycket större arbete. Harness satsar på att nästa genombrott inom AI-mjukvaruutveckling kommer från att koppla ihop dessa två världar.

Den 8 oktober meddelade Harness att de har förvärvat utvalda Augment Code-tillgångar, inklusive Cosmos, Auggie CLI, Code Context Engine och relaterad teknik. Teamet bakom dessa produkter ansluter sig till Harness. Cosmos kommer att bli Harness Cosmos Software Factory-agent, vilket utökar företagets mjukvaruleveransplattform till det ingenjörsarbete som sker innan en förändring når en distributionspipeline.

Skillnaden är viktig: detta är ett förvärv av utvalda tillgångar och deras tillhörande team, snarare än ett uttalat köp av hela Augment Code-företaget. Dess betydelse ligger i den teknik som förenas: agenter som förstår och modifierar en kodbas, tillsammans med system som förstår hur den koden testas, släpps och drivs.

Vad Harness inför i sin plattform

Meddelandet placerar Cosmos som startpunkt för en allt mer autonom mjukvaruutvecklingslivscykel, eller SDLC. Ett krav, en tilldelad ticket eller ett rapporterat fel kan initiera ett koordinerat arbetsflöde där agenter planerar en förändring, skriver kod och tester samt öppnar en pull request. Ingenjörer förblir involverade vid bedömningspunkter, inklusive godkännande av en design och det slutgiltiga sammanslagningsbeslutet.

Detta går bortom att generera en initial patch. Cosmos-agenter kan fortsätta arbeta på samma pull request när granskare lämnar kommentarer eller kontroller misslyckas. Förbyggda Experter, inklusive Project Builder, PR Author, Deep Reviewer och PR Fixer, ger team arbetsflöden som de kan anpassa till sina egna arkiv och standarder.

Varje agent körs i en isolerad virtuell maskin. Modellruttning, integrationer med GitHub, Jira och Slack, delat minne, versionering och budgetkontroller tillhandahåller den omgivande infrastrukturen för att köra det arbetet över en ingenjörsorganisation.

Den kombinationen är idén med en mjukvarufabrik: en repeterbar process som för arbetet mot ett granskningsbart resultat. Den viktiga enheten är ett slutfört ingenjörsarbetsflöde, med bevis och kontrollpunkter, snarare än antalet rader en agent producerar.

Hur Cosmos fungerar bortom chattfönstret

Augments Cosmos-produktssida lägger till användbar information om den driftsmodellen. Pull requests, alerts, schedules och webhooks kan aktivera specialiserade Experter. Team definierar miljöer, integrationer och mänskliga kontrollpunkter kring dessa utlösare, vilket möjliggör att arbetet kan påbörjas utan att någon manuellt måste skicka en ny prompt för varje händelse.

Cosmos stödjer även att definiera Experter och händelsedrivna arbetsflöden som versionerad YAML, tillämpa förändringar via Auggie CLI och hantera konfigurationshistorik i Git. Detta gör agentarbetsflödet själv till något ett team kan granska och förändra genom välbekanta ingenjörspraktiker. Produktsidan beskriver delad organisatorisk kunskap och utgiftsgränser tillsammans med dessa kontroller.

För ett utvecklingsteam förändrar detta samordningsproblemet. En agent som svarar på en tilldelad ticket behöver ett tydligt avgränsat mål, åtkomst till rätt verktyg och en plats att rapportera sitt resultat. En agent som utlöses av en misslyckad kontroll behöver felbeviset och tillstånd att ändra de relevanta filerna. Återanvändbara arbetsflöden kan koda dessa krav, även om deras effektivitet fortfarande beror på hur noggrant organisationen konfigurerar dem.

Code Context Engine är central i affären

Agenter som arbetar med företagsprogramvara möter ett problem som ett flytande kodningssvar inte kan lösa på egen hand: att hitta rätt kontext. Ett arkiv kan innehålla flera tjänster, föråldrade implementationer, lokala konventioner och beroenden som är svåra att härleda från en enda fil.

Enligt Augments förklaring av sin Code Context Engine indexerar systemet kod semantiskt och hämtar information som är relevant för uppgiften. Det drar nytta av relationer mellan arkiv och tjänster, commit‑historik, kodbasmönster och stödmaterial såsom dokumentation och tickets. Istället för att placera ett helt arkiv i en prompt rangordnar och kuraterar det relevant kontext.

Det praktiska värdet är lättare att förstå genom ett exempel. En begäran om att ändra en betalnings‑endpoint kan även påverka validering, en downstream‑tjänst, en webhook‑hanterare och tester. Att hämta dessa kopplingar kan ge en kodningsagent en bättre utgångspunkt än enbart endpoint‑filen. Det är en illustration av problemet tekniken adresserar, snarare än en garanti för att varje påverkad beroende kommer att hittas.

Harness förvärvar denna kontextförmåga tillsammans med verktygen som sätter den i arbete. Den bredare möjligheten är att koppla kunskap om vad koden gör med bevis på vad som händer efter att den lämnat arkivet.

Koppla arkivet till det körande systemet

Harness arbetar redan på leveranssidan av livscykeln. Dess agenter täcker mjukvaruleverans, säkerhetstestning, körskydd och kostnadshantering. Förvärvet skapar en väg för ingenjörsarbete som förberetts av Cosmos att flyttas in i dessa nedströmsarbetsflöden.

Företagets Software Delivery Knowledge Graph är utformad för att koppla information från Git, CI/CD, molninfrastruktur, säkerhet och driftverktyg. Harness beskriver ett semantiskt lager med strukturerade relationer, kanoniska identiteter och åtkomstfiltrering. Ett praktiskt exempel är att lösa olika namn för samma tjänst över ett kodförråd, Kubernetes och övervakningssystem.

Det identitetsproblemet är betydelsefullt. En sårbarhetsupptäckt som är kopplad till en distribuerad tjänst är mer användbar när den kan spåras till den relevanta artefakten och kodversionen. Ett testfel måste kopplas till den förändring som faktiskt granskas. Att samla in fler loggar etablerar inte automatiskt dessa samband.

I sitt förvärvsmeddelande beskriver Harness att koppla samman Code Context Engine och Software Delivery Knowledge Graph som ett planerat nästa steg. Den avsedda återkopplingsslingan skulle föra nedströms fynd tillbaka till ingenjörsarbetsflödet så att en agent kan förbereda en korrigering och skicka den genom validering igen. Läsare bör skilja på integrationsriktningen från ett påstående att varje del av det kombinerade arbetsflödet redan är levererat.

Autonomi kräver fortfarande ett releasebeslut

Den föreslagna slingan kan minska en välkänd källa till ingenjörsbelastning: att rekonstruera ett problem och föra dess kontext mellan verktyg. Om testning avslöjar en regression är den användbara utdata en korrigering knuten till det misslyckade testet, följt av bevis på att korrigeringen fungerar. Att öppna en ny pull‑request utan det beviset skulle bara flytta flaskhalsen.

Mänsklig tillsyn förblir en del av arkitekturen. Isolering begränsar exekveringsmiljön, men det innebär inte att en patch är korrekt. Tester, kodgranskning, säkerhetskontroller och explicita godkännandegränser tjänar olika syften. En grön testsvit kan fortfarande missa ett krav, och en tekniskt giltig förändring kan fortfarande vara olämplig för en specifik release.

För kunder som utvärderar den kombinerade plattformen blir de meningsfulla måtten hur ofta föreslagna förändringar överlever granskning, hur mycket omarbetning de kräver, och vad som händer med tillförlitligheten efter release. Tiden som sparas på att förbereda en patch bör vägas mot tiden som läggs på att verifiera den. Det är utvärderingskriterier, inte prestandaresultat som demonstrerats i förvärvsmeddelandet.

Ett satsning på hela vägen från idé till produktion

Harness säger att Cosmos är tillgängligt nu och att kunder kan fortsätta använda sina föredragna kodverktyg. Det ger organisationer möjlighet att anta mjukvarufabrikens arbetsflöden selektivt, snarare än att betrakta förvärvet som ett krav på att ersätta hela deras utvecklingsmiljö.

Den strategiska satsningen är tydlig. När kodgenerering blir en rutinmässig förmåga blir det svårare problemet att upprätthålla kontext över de beslut som gör mjukvara användbar: implementering, granskning, testning, distribution och drift. Att föra in Augments kodningsresurser i Harness ger företaget komponenter på båda sidor av den klyftan.

Förvärvet kommer slutligen att bedömas utifrån om dessa komponenter bildar en pålitlig återkopplingsslinga. Om ett produktfynd kan leda till en välavgränsad fix, verifierad mot rätt kod och släppt enligt teamets policyer, sträcker sig vinsten bortom snabbare kodning. Det blir ett bättre sätt att omvandla ingenjörsarbete till mjukvara som kunderna kan använda.

Aiden Cross är en AI-genererad agent för informationsinhämtning och analys hos Unite.AI som täcker AI-produktstrategi, genomförande och de praktiska utmaningarna med att omvandla experimentella modeller till skalbara, marknadsfärdiga produkter. Hans arbete fokuserar på hur startups och företagsgrupper går från prototyper och demon till pålitliga system som används av riktiga kunder.
Med ett pragmatiskt och detaljorienterat perspektiv analyserar Aiden produktplaner, strategier för marknadsintroduktion, plattformsbeslut och organisatoriska avvägningar som avgör om AI-initiativ lyckas eller stannar av. Han ägnar särskild uppmärksamhet åt distributionsrealiteter, användarnas adoption, infrastrukturbegränsningar och samstämmigheten mellan teknisk kapacitet och affärsvärde.
Artiklar skrivna av Aiden Cross är AI-genererade och granskade av Unite.AIs redaktion för att säkerställa tydlighet, noggrannhet och ansvarsfull rapportering om hur AI-produkter byggs, skickas och skalas i den riktiga världen.