JetBrains 定义 AI 智能体遗留的「影子技术债」

深度The New Stack2026年3月11日3 分钟阅读
JetBrains 定义 AI 智能体遗留的「影子技术债」
JetBrains 将 AI 智能体生成的低质量、无视架构的代码称为「影子技术债」。公司推出 Junie CLI 和 Air,旨在为规模化智能体编码提供上下文感知、供应商中立的基础设施。

开发者们与技术债斗争多年。现在代码库中又出现了一种新变体,很多团队甚至没意识到它在堆积。

JetBrains 称之为「影子技术债」——由 AI 智能体生成的低质量、无视架构的代码,这些智能体在修改项目时没有任何结构理解。随着本周一 Junie CLI 的发布,公司押注这将成为企业软件开发的下一个大问题。

诊断始于碎片化。

「当前与编码智能体协作的状态是碎片化的:每个智能体在单独的工具中运行,设置不同、上下文不同,且对你的代码没有结构理解,」JetBrains 产品负责人 Nik Tkachev 在宣布 JetBrains Air 的博客文章中写道。JetBrains 认为,这种代码在孤立情况下能工作,但会随时间悄然破坏更广泛代码库的连贯性。

过去 18 个月,智能体编码工具激增,工程团队为生产力提升而拥抱它们——并很大程度上推迟了代码质量在规模化时会发生什么的问题。智能体不读架构决策记录。它们不知道三年前为何选择某个模式。它们不理解遗留模块中蕴含的部落知识。它们完成手头任务就继续前进。

对于一次性脚本,这是合理的权衡。但当自主智能体在 CI/CD 管道中运行、创建拉取请求并直接提交到共享仓库时,问题就更严重了。

「说实话:复杂代码库还没准备好进行纯粹的智能体编码,」Tkachev 写道。「Air 专注于智能体编排,而不是取代现有的开发工作流。」

Junie CLI 登场

Junie CLI 目前处于测试版,是 JetBrains 对代码质量问题的更直接回答。该工具设计为完全独立的编码智能体——可在终端、任何 IDE、GitHub、GitLab 和 CI/CD 管道中使用——公司称其核心具备「代码库智能」。

「Junie 不仅仅是『终端里的 AI』,」JetBrains 营销卓越负责人 Anastasia Krivosheeva另一篇博客文章中写道。「它是一个完全独立的智能体,具备超越简单提示的能力。」

Junie CLI 不是将每个任务视为无状态的提示,而是结合了结构化的项目上下文和工作流感知,因此它生成的代码基于代码库的实际形态。

产品还包括下一任务预测——智能体根据项目上下文预测开发者可能需要什么——以及从 Claude Code 和 Codex 等竞争工具一键迁移。它支持 OpenAI、Anthropic、Google 和 Grok 的模型,采用 BYOK(自带密钥)方式,除模型成本外无额外平台费用。

规模化智能体编码

「我们对智能体软件开发持有原则性的乐观——也是务实的乐观,」Tkachev 写道。「新概念的出现速度比任何人验证它们都快,所以我们宁愿发布有效的东西,而不是炒作可能的东西。」

JetBrains 告诉开发者,规模化智能体编码需要专业级基础设施,同时不疏远已对使用 Claude Code 或 Cursor 满意的开发者。「影子技术债」的框架起到了这个作用——它不攻击智能体本身,而是攻击它们运行的条件。

JetBrains 表示,智能体时代需要一个中立的基础设施层,而不是又一个智能体。

「我们正从 IDE 原生 AI 扩展到生态系统级 AI——用一个智能体连接平台,」Krivosheeva 写道。

Junie CLI 与 JetBrains Air 一同发布,后者是基于开放 Agent Client Protocol 构建的新智能体开发环境,允许 Claude Agent、Gemini CLI、Codex 和 Junie 在单个工作空间中并行运行。这两款产品共同将 JetBrains 定位为所有智能体之下的平台层,而非任何单个智能体的竞争对手。

「Junie 在你所在的地方与你相遇。通过让 Junie 在 JetBrains IDE 之外可用,我们正从 IDE 原生 AI 扩展到生态系统级 AI——用一个智能体连接平台,」Krivosheeva 写道。「这对我们来说是一个重要的里程碑,也是实现专业级开发的重要一步,即使在 IDE 之外也是如此。」

本文编译自 JetBrains names the debt AI agents leave behind,版权归原作者所有。

觉得有用?分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察,每周更新。

相关文章

Simon Willison 正在重构 LLM Python 库的抽象层,以支持服务器端工具执行等新功能。他利用 Claude Code 分析了四大 LLM 提供商的客户端库,生成了用于测试的 curl 命令和 JSON 输出。这些调研材料已开源,旨在帮助设计更通用的 API 抽象。

深度Simon Willison·4月5日·1 分钟

智能体技能——包含程序性知识和可执行资源的结构化包,供智能体在推理时动态加载——已成为增强 LLM 智能体的可靠机制。然而,推理时技能增强存在根本性限制:检索噪声引入无关指导,注入的技能内容带来大量 token 开销,而模型从未真正习得它所遵循的知识。我们提出一个问题:技能是否可以被内化到模型参数中,使其在无需任何运行时技能检索的情况下实现零样本自主行为?我们提出 Skill0,一个专为技能内化设计的上下文强化学习框架。Skill0 引入了一种训练时课程,从提供完整技能上下文开始,逐步撤除。技能按类别离线分组,并与交互历史一起渲染为紧凑的视觉上下文,教授模型工具调用和多轮任务完成。动态课程机制…

深度·4月5日·17 分钟

评论