在软件开发领域，工程师真正编写代码的时间往往只占工作日的很小一部分。通用汽车自动驾驶部门副总裁Rashed Haq在近期行业会议上透露，其团队工程师仅15%的时间用于写代码，其余85%被数据分析、问题分类、实验运行和缺陷修复等琐碎任务占据。如今，通用汽车正通过AI Agent全面重塑这85%的工作流程，并在合并Pull Request数量上取得了三倍的增长。这一科技趋势不仅改变了汽车行业的研发模式，更向外界展示了AI Agent在企业级应用中的巨大潜力——当AI从一个辅助工具进化为自主工作流引擎，传统工程效率的天花板正在被彻底打破。
代码之外：工程师的85%时间去了哪里？
通用汽车15%的写代码时间听起来令人惊讶，但这一数据并非孤例。早在生成式AI和Agent兴起之前，学术研究就揭示了类似的现象。2019年微软对近6000名专业开发者的调查显示，在状态良好的工作日，开发者平均每天仅花96分钟写代码，状态不佳时更是降至66分钟，分别占8小时工作日的20%和14%。2018年Stripe的调查则发现，开发者每周花费超过17小时用于调试、重构等维护工作。
这些数据背后隐藏着一个核心矛盾：软件开发流程中的非编码环节——如需求理解、数据准备、环境配置、测试验证、部署监控——占用了大量时间，且效率提升空间巨大。传统代码助手（如GitHub Copilot）只能加速编码本身，但无法触及流程中的瓶颈。通用汽车正是瞄准了这一科技趋势，决定从“给每个人一个聊天机器人”转向“围绕Agent重新设计整个工作流”。
这种思路的转变意味着企业不再将AI视为“打字加速器”，而是将其视为能够自主调用工具、分析数据、执行任务的数字员工。在AI赛道中，这一理念正在催生一批专注于企业级Agent平台的AI独角兽，它们提供的解决方案往往比通用模型更贴合具体业务场景。
重构工作流：从AI助手到Agent驱动的循环
通用汽车将自动驾驶的开发工作划分为多个“循环”：软件仿真测试、公共道路测试、车辆交付后的实时监控。在每个循环中，团队识别出最长的瓶颈环节，然后通过Agent自动化该环节，并持续迭代。这种“循环优化”策略并非一次性革命，而是渐进式的效率提升。
“如果只给工程师一个能做编码的聊天机器人，流程中仍然存在大量低效。”Haq在一次演讲中强调。通用汽车的做法是让Agent接入内部工具和海量数据，通过自定义的模型上下文协议（MCP）服务器，Agent可以像人类工程师一样调用各种系统。例如，当车辆遥测数据回传时，Agent能自动分析、初步分类，并生成待处理问题单，工程师只需审核确认。
这一过程涉及多个维度的自动化： - 数据获取：Agent通过MCP连接WebViz系统（通用的车辆遥测可视化平台），直接调用底层API，而非依赖图形界面。 - 问题分类：Agent结合历史数据，自动判断问题是否为已知缺陷，并给出相似案例。 - 实验执行：Agent并行运行多个机器学习实验，收集结果供工程师分析。
这种设计让工程师从“手动操作工具”转变为“定义规则并监督Agent执行”。值得注意的是，通用汽车并非简单地购买现成Agent产品，而是自建平台，并配备了4名专职工程师与各团队协作，帮助员工识别可优化的流程。这种“内部产品化”思路，正是当前AI独角兽企业所推崇的最佳实践——将AI能力与企业特有的数据、工具深度绑定，而非停留在通用API层面。
数据与工具：MCP协议如何打通GM的“数据孤岛”
通用汽车拥有数PB的车辆数据，包括传感器日志、遥测信号、故障代码等。要让Agent有效工作，必须解决数据访问权限和工具调用一致性的问题。MCP（Model Context Protocol）成为关键桥梁。通过自定义MCP服务器，Agent能够安全地访问内部数据库、调用WebViz的底层函数，甚至触发测试环境中的自动化脚本。
更重要的是，通用汽车为Agent创建了版本控制的“技能文档”——这些指令文件详细描述了如何执行特定任务，比如“分析制动系统异常”或“生成仿真测试用例”。技能文档与代码库一同管理，确保Agent的行为可追溯、可回滚。
在数据安全方面，通用汽车采用“基于权限继承”的策略：Agent的访问权限与使用它的工程师完全一致。“如果工程师做这个任务需要这些数据，那么他的Agent也需要这些数据，”Haq解释道，“但工程师仍然对Agent的输出负责。”这种责任清晰的权限模型，既保证了Agent的灵活性，又避免了企业级应用中的合规风险。
这一设计思路对当前AI赛道的企业有重要启示：许多公司在部署AI时面临“数据孤岛”和“工具碎片化”的难题，而MCP协议提供了一种标准化的“连接器”方案。对于希望快速落地AI Agent的团队，不妨先梳理内部工具链，然后通过类似AI工具导航的聚合平台，找到最适合的Agent框架。实际上，通用汽车的做法可以看作是企业级AI工具箱的一次成功实践——将AI能力与内部系统深度整合，而非简单地在界面上加一个聊天框。
三倍效率：合并PR数量激增背后的质量密码
通用汽车自动驾驶部门的合并Pull Request数量提升了3倍，但Haq强调，这不仅仅是代码量的增加，更是新功能交付速度的提升和缺陷逃逸率的下降。他们设置了结构化和非结构化测试，并在加速整个工作流之前就建立了性能度量标准。工程师在每次推进前，都会审查Agent的测试结果，确保每个测试仍然捕捉到预期的目标。
这种“先测量再加速”的策略至关重要。通用汽车最初预计的收益并不高，但实际效果远超预期。“我们唯一惊讶的是，我们能做的比想象中多得多。”Haq说。
具体来看，三倍效率主要来自三个方面： 1. 并行化：Agent可以同时运行多个仿真实验，而人类工程师只需关注结果摘要。 2. 自动化分类：遥测数据中的异常被Agent自动归类，工程师从“大海捞针”变为“确认分类”。 3. 减少返工：Agent在早期阶段就发现潜在问题，避免了后期集成测试中的大规模修复。
值得注意的是，通用汽车并未完全放弃人工审核。在关键控制点——如代码合并、发布决策——工程师仍然保留最终决定权。这种“AI建议+人类决策”的模式，在当前AI Agent技术的发展阶段被证明是最有效的。企业若想复制这一成功，可以考虑使用AI画图等工具来可视化Agent的输出，使非技术背景的审核者也能快速理解。
人机协作：工程师仍是最终负责人
尽管Agent承担了大量工作，通用汽车始终强调工程师的终极责任。在入职Agent之前，团队先绘制了“从问题发现到验证修复”的完整路径图，然后为每个环节的Agent配置了精确的权限和技能文档。
这种设计理念反映了当前AI领域的一个核心共识：AI应该增强人类能力，而非取代人类责任。通用汽车让Agent成为“超级实习生”——它能够快速执行任务，但需要人类指导方向、审核结果。工程师的角色从“代码编写者”转变为“流程设计者”和“质量把关者”。
为了支撑这一转变，通用汽车成立了专门的Agent平台团队，由4名全职工程师负责与各业务线对接。他们帮助员工识别哪些工作适合自动化，并推广成功经验。这种“内部顾问”模式，有效降低了AI落地的摩擦成本。
在技术实现上，Agent的输出必须保持“人类可读”。Haq特别强调，当Agent发现潜在问题时，需要提供清晰的证据链：哪些组件受影响、历史数据中是否有类似案例、支持结论的示例是什么。这种可解释性要求，使得Agent不仅是一个工具，更是一个“可对话的同事”。
当前，许多企业正尝试将Agent应用于更多场景，比如用文生图生成产品原型图，或用抠图技术预处理图像数据。这些工具虽然看似简单，但背后都遵循同样的逻辑：让AI承担重复性劳动，释放人类创造力。通用汽车的案例证明，当企业系统性地应用这一原则时，效率提升不再是线性的，而是指数级的。
未来展望：AI Agent如何重塑企业研发范式
通用汽车的实践揭示了科技趋势的下一阶段：AI Agent将不再局限于个人助手，而是成为企业级工作流的核心组件。从汽车制造到金融服务，从医疗研发到游戏开发，任何需要复杂数据处理和跨工具协作的领域，都可能受益于这种“Agent化重构”。
对于AI赛道的创业者而言，通用汽车的经验提供了几个关键启示： - 垂直深耕：通用汽车没有选择通用Agent，而是深度绑定自动驾驶领域的数据和工具，这种“行业专用Agent”比通用产品更具护城河。 - 安全优先：通过权限继承和技能版本控制，解决了企业级部署的合规痛点。 - 人机协作：不是用AI替代人，而是用AI放大人的能力，工程师的角色升级而非消失。
可以预见，未来几年我们会看到更多类似通用汽车的案例。随着大模型训练成本的下降和MCP等协议的标准化，中小企业也能以较低成本构建自己的Agent系统。届时，AI独角兽将不再只是提供大模型的公司，那些擅长将Agent与垂直行业场景融合的企业，有可能成为新的行业引领者。
回到通用汽车，3倍的合并PR数量只是一个开始。当AI Agent能够自主完成更多端到端任务时，整个研发组织的产出将发生质变。对于其他企业而言，现在正是重新审视自身工作流、寻找“Agent化突破口”的最佳时机。
不妨思考一下：你的团队中，那85%的非编码时间，有多少可以被Agent接管？