DeltaMedia
2026-11-22
模型動態

從一個月飆到一天!Amplitude 靠 OpenAI 打造 AI 代理,軟體迭代大改寫

Wave 將產品改進週期從約一個月縮短至 1 至 2 天,但在成熟程式碼庫上的端到端發布率僅約 11%。

從一個月飆到一天!Amplitude 靠 OpenAI 打造 AI 代理,軟體迭代大改寫

重點摘要

  • Wave 將產品改進週期從約一個月縮短至 1 至 2 天,但在成熟程式碼庫上的端到端發布率僅約 11%。
  • 系統採用 Sense、Decide、Act、Learn 四階段架構,由 GPT-6.1 Sol 等模型驅動,內部正向回饋率從 5% 提升至 70% 以上。
  • Amplitude CEO Spenser Skates 將目標定為建立自我改進產品,但工程負責人 Eric Carlson 強調系統必須對錯誤率保持透明才能建立信任。

從月級迭代到兩日交付:效率躍升背後的信任赤字

Amplitude 的 Wave 系統在 2026 年 6 月進入封測階段,工程部落格隨即揭露了技術架構。據 TechBuzz AI 報導,Wave 讓團隊把產品改進壓縮到 1 至 2 天內發布,與過去約一個月的週期相比,速度提升顯著。SuperPower Daily 的資料進一步勾勒出速度的輪廓:四分之一由 Wave 提出的變更在識別當天即上線,一半在四天內完成,三分之二在一週內落地。這套節奏背後是 Amplitude 平台每日約 800 億個、每月 2.5 兆個行為事件的資料量,但資料量本身並不保證建議品質。

Amplitude 工程部落格給出了一組清醒的數字:在成熟程式碼庫上,Wave 的端到端發布率約為 11%,而工程師表示「會做」相同改進的比例高達 50%。兩者差了 39 個百分點,團隊稱之為尚未填補的信任赤字。Wave 在開發初期的內部正向回饋率僅約 5%,經過迭代才提升至 70% 以上。比較這兩個時期,系統確實在自我修正,但 11% 的端到端發布率說明,回饋率的提升還沒能把速度優勢轉化成可靠的上線記錄,而這正是四階段架構要正面解決的問題。

四階段閉環與模型分工:GPT-6.1 Sol 的調查角色

Wave 的四階段設計,正是縮小這個信任赤字的嘗試。Sense 階段派遣代理群組掃描分析資料、回放紀錄與錯誤日誌;Decide 階段使用 RICE 方法論為機會評分並生成含線框圖的規格說明;Act 階段將工作路由至編碼代理或人類;Learn 階段追蹤結果。OpenAI 部落格指出,Wave 約 80% 由 OpenAI 模型驅動,具體包括 GPT-6.1 Sol、GPT-6 Luna 與 GPT-Image-2.5 Flare。

GPT-6.1 Sol 在 Opportunity Investigator 評估中拿到 4.06 分(滿分 5 分),中位調查時間 54 分鐘。Amplitude 工程部落格並未詳細說明 GPT-6 Luna 與 GPT-Image-2.5 Flare 在管線中的具體分工,僅確認它們是系統組成部分。編碼工作透過「Send to coding agent」選單路由至 Codex 或 Wave Code Agent;多數團隊把 bug 修復直接交給編碼代理,較大型功能或高風險變更則先過人工審查。架構設計到這裡,分工算清晰,但系統能否在真實產品上找到並修對問題,還需要一個具體案例來驗證。

首頁實驗的 160% 提升:單一入口指標的侷限性

Wave 曾分析 Amplitude 自身首頁的 100 段 session replay,發現 80 名輸入問題的使用者中,僅 12 人點選了通用建議卡片。Wave 隨後把通用卡片換成基於使用者近期圖表與儀錶板的個人化建議,SuperPower Daily 報導,一天後卡片驅動的訊息量較對照組上升 160%。

160% 的提升不小,但報導也點明了它的侷限:這個數字只衡量卡片啟動的訊息量,也就是進入對話的單一入口路徑,不代表整體產品使用率。Wave 擅長捕捉這類區域性互動指標的變化,但難以直接驗證對整體產品價值或使用者留存率的影響。Amplitude CEO Spenser Skates 把公司下一步野心描述為建立自我改進產品,但要支撐這個目標,需要比卡片訊息量更全面的成效量測機制。而 Wave 能否從封測推進到更大規模,答案的一部分藏在 OpenAI 更大的平台佈局裡。

執行堆疊競爭與 AWS 佈局:OpenAI 的生態位延伸

isingresearch.com 的分析指出,AI 競爭焦點已從模型推理品質轉向誰能提供完整的 agent 執行堆疊,OpenAI 的 Ona agent 正是對此層次的明確佈局。同時,OpenAI 的 Codex 於 2026 年中在 AWS 上線,已在該雲端執行工作負載的企業團隊整合門檻因此降低。Wave 所依賴的編碼代理基礎設施,就這樣隨著 OpenAI 的雲端佈局擴大了可及性。

Amplitude 首席 AI 架構師 Eric Carlson 在工程部落格裡為 Wave 設下了明確的野心基準:「我們的北極星是讓產品團隊透過 AI 指數級變好,而非線性。」這句話把速度目標說得很清楚,但 Carlson 緊接著補了一道現實條件:「一個推薦該建構什麼的系統,只有對其錯誤率保持誠實,才能贏得信任。」兩句並置,Wave 的位置就顯現出來了:它既是追求指數級加速的執行引擎,也是一個必須持續面對自身不可靠性才能建立信任的推薦系統。

目前 Wave 仍處於封測階段,Amplitude 尚未公布轉為正式產品或對外銷售的時間表,在生產環境處理多企業客戶行為事件流時的資料隔離機制同樣沒有說明。這些問題懸而未決,但 Wave 已把一套工作分工跑通:AI 代理主導識別、評分與初步實現,人類保留最終審查權,並讓系統對自己的錯誤率保持誠實。把迭代週期從一個月壓到 1 至 2 天,現在看來是可以辦到的;但把 11% 的端到端發布率推高,才是讓這個速度真正有意義的下一關。

相關公司 OpenAI
本文由 DeltaMedia 編輯團隊審核後發布 · 編輯原則