科技Bestblogs·Lukas Böhler··AI 生成
AI 智能体回答简单工单，需要工程师处理的谁来管？
Gleap 的 Kai Resolve 把二线支持工单当作调查问题：从日志、回放、网络追踪出发，在只读沙箱里读真实源码，引用具体文件与行号出诊断，确认的 bug 交给 Kai Code 生成带测试的 PR。自家队列上 75% 工单由 AI 处理，70% 调查正确、80% 零人工，单次成本约 0.49 美元；无法定论时发决策卡而非关闭工单。适合关注 AI 智能体落地边界与工程支持自动化的读者。原文 ↗原文 ↗
核心观点
- ▍二线支持的本质是调查而非对话：需要收集证据、形成假设、检查代码并产出可执行诊断，Kai Resolve 将这一循环端到端自动化。
- ▍AI 智能体在支持场景最危险的故障模式不是给出错误答案，而是给出一个自信的错误答案，因此无法定论时必须触发人工决策而非关闭工单。
- 01Kai Resolve 从自动采集的日志、点击轨迹、屏幕录制和网络追踪出发，将代码仓库克隆到只读沙箱中阅读源码，引用确切文件和行号，且无法修改生产系统。
- 02在 Gleap 自己的工单队列上，75% 的请求由 AI 处理，其中 70% 的调查被评为正确、28% 部分正确、2% 错误，80% 无需人工干预即完成，每次调查成本约 0.49 美元。
- 03一次依赖更新导致智能体的报告功能中断两天，故障是通过无法定论率的飙升被发现的，现已增加告警监控。
- 04确认的 bug 会转化为 Kai Code 的编码任务，由其规划变更、运行测试并提交拉取请求；工程师审查合并后，还需确认修复已上线并通知客户，闭环才算完成。
- 05当调查无法定论时，Kai Resolve 会重新调查一次，然后呈现包含具体选项的决策卡（例如「哪个推送服务商？」），让人工花几秒钟决策而非数小时复现。
反方 / 局限
- — 文章承认在数据连接缺失方面仍存在挑战，这可能导致智能体无法获取完整上下文而影响调查结论。
- — 70% 的正确率意味着仍有约三成调查需要人工介入或存在偏差，且 2% 的错误率在工程支持场景中可能带来实际风险。
前置背景
技术原理
平行视角
争议局限
未来推演
延伸追问