AI EngineerFactory 的前沿部署工程实践：Eno Reyes 谈如何构建软件工厂式 Agent 开发循环
Factory 的前沿部署工程师嵌入大型客户，将真实世界信号反馈到 Agent（Droid）的开发中。Eno Reyes 将整个流程比作软件工厂：信号流入、形成计划、通过验证、产出成果。他强调客户拥有模型无关的 harness，确保数据主权，甚至支持 air-gapped 运行。自主性是前沿，Factory 评估代码库的 Agent 就绪度，并在银行系统迁移中展现价值，但需避免过度超前成为主题公园。
在 AI 工程领域，如何将 Agent 从演示推向生产级应用始终是核心挑战。Factory 的实践提供了一个值得关注的范式：通过前沿部署工程师（forward deployed engineers）嵌入大型客户，将真实世界的信号持续反馈到 Agent 开发中。Eno Reyes 将其比喻为软件工厂，强调信号流入、计划制定、验证和交付的闭环，这一过程需要组织投入建设系统而非临时拼凑。
对于中文 AI 读者，这一案例的启发在于：Agent 开发不应仅停留在模型优化，而应重视工程化基础设施。Factory 强调模型无关的 harness 由客户拥有，确保数据主权和安全性，甚至支持 air-gapped 环境，这在金融、政务等对数据敏感的中国市场尤为重要。
自主性是 Factory 追求的前沿。他们通过评估代码库的 Agent 就绪度（如是否运行 linter、类型检查器）来衡量自动化潜力，并在银行系统迁移（3000 万至 5000 万行代码）中展现实际价值。这提示我们，Agent 的落地需要从代码库的工程实践入手，而非仅依赖模型能力。
然而，Eno Reyes 借用城市规划的比喻警示：过度超前可能成为主题公园而非实用工具。前沿部署工程师的职责是平衡推进速度，帮助客户在自主性曲线上稳步前进。这一观点对中文 AI 社区具有现实意义，提醒我们在追求技术前沿时，需关注实际应用场景和用户接受度。