Fenix · 13 listopada 2026
Jak nauczyliśmy zespół agentów AI pisać kod, któremu można zaufać
Zarząd, który rozważa agentów AI w zespole IT, pyta o trzy rzeczy: ile to kosztuje, ile trwa i kto odpowiada za wynik. Odpowiadamy na czterech zadaniach, które Fenix, nasz zespół agentów AI, zrobił od zgłoszenia do gotowej zmiany: z kosztem co do centa, osią czasu i notatkami, które agenci pisali sami dla siebie.
- 268zadań, nad którymi pracował Fenix, od 31 sierpnia do 13 listopada 2026
- 125zadań zakończonych scaloną zmianą, co najmniej 144 pull requesty
- 1,22 $mediana kosztu zadania; 80% zadań kosztowało mniej niż 5,12 $
- 5,38 $kosztowały razem cztery kalkulatory z tego wpisu, według rejestru Fenixa
Źródło: zapisy przebiegów Fenixa i GitHub. Koszt zadań liczony do 8 listopada w cenach katalogowych modeli, koszt kalkulatorów z 13 i 14 listopada według cennika Fenixa. Część gałęzi została już usunięta, więc liczby commitów i testów są dolną granicą.
Zespół, nie jeden agent
Jeden agent, który sam pisze kod i sam go sprawdza, jest jak pracownik, który sam robi sobie odbiór. Przy większych zadaniach jest też drogi, bo każdy kolejny krok czyta całą rozmowę od nowa.
Dlatego Fenix działa jak mały dział. Kierownik ocenia zadanie i decyduje, czy zrobi je sam, czy zleci: DEV pisze kod, REVIEW go recenzuje, TEST sprawdza. Każdy wykonawca pracuje na własnej kopii kodu, a do repozytorium nic nie trafia bez zgody człowieka.
Kontrola jakości działa naprawdę: od sierpnia recenzja odrzuciła zmianę 145 razy, testy 29 razy. Żeby poprawki nie kręciły się w kółko, filtr powtórzeń zatrzymuje taką, która powtarza poprzednią; wtedy kierownik musi zmienić podejście albo zapytać człowieka. Zadziałał 12 razy.
Kierownik, jak niejeden menedżer, musiał nauczyć się delegować. W październiku 43% poprawek w plikach robił sam, zamiast zlecić je wykonawcom. Po zmianach w listopadzie spadło to do 9%.
Cztery zlecenia od początku do końca
Fenix zbudował cztery małe kalkulatory. Jeden ze zwykłego zgłoszenia, trzy zamówili Arystoteles, Leonardo da Vinci i Kartezjusz: wielkie umysły z czatu na naszej stronie, w którym AI odpowiada ich głosem. Każdy poprosił o kalkulator czegoś, czego w jego czasach nie dało się policzyć.
Czat otworzy się obok: po jednym pytaniu do każdego z trzech umysłów.
Zadania są małe, ale droga jest ta sama co przy pracy dla klienta: zgłoszenie, ocena wielkości, kod, testy i zgoda człowieka. Trzy kalkulatory wyszły małe, więc kierownik zrobił je sam. Kartezjusz wyszedł wyraźnie średni, więc kod dostał DEV, a sprawdzenie TEST. Kosztowało to więcej (3,80 $ wobec średnio 0,53 $), a błąd i tak złapał człowiek.
Pod każdym zgłoszeniem jest diagram przebiegu. Kliknij jego element, żeby zobaczyć model, tokeny i koszt, a niżej, na osi czasu, co się działo po kolei.
- Cel
- Prosty kalkulator w przeglądarce: dodawanie, odejmowanie, mnożenie i dzielenie.
- Po co
- Chcę szybko coś policzyć bez otwierania arkusza.
- Gotowe, gdy
- wpisuję 2 + 2 i widzę 4
- dzielenie przez zero pokazuje czytelny komunikat zamiast błędu
- działa z klawiatury i myszką
- wygląda dobrze na telefonie
- Poza zakresem
- Funkcje naukowe, historia obliczeń.
Przebieg na schemacie
Kodował kierownik, sam · 64 min pracy agentów przy 11 h 11 min od startu do końca, reszta to noc czekania na człowieka · 12 testów na koniec · koszt 0,65 $
Kliknij węzeł, żeby zobaczyć model, tokeny, koszt i zdarzenia tej roli. Strzałki przenoszą między węzłami, Esc czyści wybór.
Zgłoszenie do Ocena wielkości. Ocena wielkości do Kierownik: sam. Kierownik do Człowiek: do oceny: 11/11. Człowiek odsyła do Kierownik: Wyczyść o 14 px węższy od klawiatury. Człowiek do Pull request: ręcznie.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 0,65 $
- Czas pracy
- 64 min w 4 turach
- Prompt z cache
- 83%
- Wywołania modelu
- 85
Tokeny: 7,06 mln
- wejście bez cache: 1,15 mln
- wyjście: 148 tys.
- odczyt z cache: 5,76 mln
Sam napisał testy, kod i poprawkę. Przed drugą prośbą o zgodę przeczytał kod publikacji Fenixa i znalazł dwie pułapki: publikacja rusza tylko po jednym słowie zgody, a commit robi git add -A.
Kluczowe zdarzenia tej roli
- +9 minTesty najpierw: npm test czerwony, bo calc.js jeszcze nie istnieje.
- +10 minnpm test zielony: 11/11.
- +15 minProsi o zgodę na publikację własnej pracy.
- +41 minCzyta kod publikacji Fenixa: publikacja rusza tylko po jednowyrazowej zgodzie i commituje przez git add -A.
- +53 minNowy test regresyjny jest czerwony dokładnie na przyczynie: Wyczyść leży poza siatką klawiszy.
- +68 minZgłasza wstrzymanie z pełną treścią odmowy i odkłada je do rana.
Na osi czasu poniżej podświetlono 13 zdarzeń tej roli.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 0,65 $
- Czas pracy
- 64 min w 4 turach
- Prompt z cache
- 83%
- Wywołania modelu
- 85
Tokeny: 7,06 mln
- wejście bez cache: 1,15 mln
- wyjście: 148 tys.
- odczyt z cache: 5,76 mln
Sam napisał testy, kod i poprawkę. Przed drugą prośbą o zgodę przeczytał kod publikacji Fenixa i znalazł dwie pułapki: publikacja rusza tylko po jednym słowie zgody, a commit robi git add -A.
Kluczowe zdarzenia tej roli
- +9 minTesty najpierw: npm test czerwony, bo calc.js jeszcze nie istnieje.
- +10 minnpm test zielony: 11/11.
- +15 minProsi o zgodę na publikację własnej pracy.
- +41 minCzyta kod publikacji Fenixa: publikacja rusza tylko po jednowyrazowej zgodzie i commituje przez git add -A.
- +53 minNowy test regresyjny jest czerwony dokładnie na przyczynie: Wyczyść leży poza siatką klawiszy.
- +68 minZgłasza wstrzymanie z pełną treścią odmowy i odkłada je do rana.
Na osi czasu poniżej podświetlono 13 zdarzeń tej roli.
Szczegóły: Kierownik
Oś czasu
Jak czytać: czas liczymy od startu zgłoszenia, kolor etykiety mówi, kto działał, a długie przerwy to noc czekania na człowieka.
14 z 28 zdarzeń. Czas liczony od startu zgłoszenia. Podświetlone: Kierownik.
- +0 minSystemKlasyfikator ocenia zgłoszenie jako małe (0,78), więc kierownik zrobi je sam.
- +2 minSystemFiltr wycieków Fenixa blokuje własny komentarz Fenixa: identyfikator sesji wygląda jak sekret.
- +9 minKierownikTesty najpierw: npm test czerwony, bo calc.js jeszcze nie istnieje.
- +10 minKierowniknpm test zielony: 11/11.
- +12 minSystemKlasyfikator bezpieczeństwa odmawia instalacji Playwrighta do zrzutu 390 px. Kierownik tego nie obchodzi i sprawdza pliki curlem.
- +15 minKierownikProsi o zgodę na publikację własnej pracy.
- +39 minCzłowiekCzłowiek odsyła: najpierw popraw szerokość przycisku Wyczyść i nie dodawaj package-lock.json, potem zapytaj jeszcze raz.
- +41 minKierownikCzyta kod publikacji Fenixa: publikacja rusza tylko po jednowyrazowej zgodzie i commituje przez git add -A.
- +53 minKierownikNowy test regresyjny jest czerwony dokładnie na przyczynie: Wyczyść leży poza siatką klawiszy.
- +57 minSystemDruga prośba o zgodę zablokowana jako Self-Approval; przeredagowana też.
- +68 minKierownikZgłasza wstrzymanie z pełną treścią odmowy i odkłada je do rana.
- +648 minCzłowiekRano człowiek wybiera: dodać wąską regułę uprawnień i ponowić.
- +655 minSystemPonowienie zablokowane z nowym powodem, Auto-Mode Bypass: ponowienie po eskalacji też liczy się jako obejście.
- +670 minCzłowiekCzłowiek otwiera PR #3 ręcznie, z kopii worktree.
- Cel
- Kalkulator, który mówi, ile lat temu wyruszyło światło gwiazdy, na którą właśnie patrzę.
- Po co
- Uczyłem, że światło nie potrzebuje czasu, żeby dotrzeć do oka. Jeśli jednak podróżuje, to patrząc w niebo, oglądam przeszłość, a tego nikt w Atenach nie umiał policzyć.
- Gotowe, gdy
- wybieram z listy Księżyc, Słońce, Syriusza, Gwiazdę Polarną albo Galaktykę Andromedy i widzę, jak długo leciało ich światło
- dla Słońca widzę około 8 minut, a dla Księżyca nieco ponad sekundę
- przy gwiazdach widzę też rok, w którym światło wyruszyło; dla Gwiazdy Polarnej to około roku 1590
- duże liczby są czytelne, na przykład „2,5 miliona lat”, a nie zapisane w notacji naukowej
- Poza zakresem
- Przesuwanie sfery gwiazd stałych. Niech zostanie tam, gdzie ją postawiłem.
Przebieg na schemacie
Kodował kierownik, sam · 70 min pracy agentów przy 10 h 8 min od startu do końca, reszta to noc czekania na człowieka · 24 testy na koniec · koszt 0,44 $
Kliknij węzeł, żeby zobaczyć model, tokeny, koszt i zdarzenia tej roli. Strzałki przenoszą między węzłami, Esc czyści wybór.
Zgłoszenie do Ocena wielkości. Ocena wielkości do Kierownik: sam. Kierownik do Człowiek: do oceny: 12/12. Człowiek odsyła do Kierownik: 1. wygląd i głos Arystotelesa. Człowiek odsyła do Kierownik: 2. etykieta ucięta przy 390 px, zdanie o Andromedzie. Człowiek do Pull request: „zatwierdzam”.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 0,44 $
- Czas pracy
- 70 min w 4 turach
- Prompt z cache
- 94%
- Wywołania modelu
- 83
Tokeny: 7,96 mln
- wejście bez cache: 497 tys.
- wyjście: 224 tys.
- odczyt z cache: 7,24 mln
Napisał testy przed kodem, ale nie uruchomił ich przed kodem, więc czerwonego wyniku nie było. W połowie przeróbki kontekst został skompresowany, a model doszedł do limitu tokenów wyjścia; dokończył mniejszymi kawałkami.
Kluczowe zdarzenia tej roli
- +20 minPisze testy najpierw, ale nie uruchamia ich przed kodem.
- +22 minPierwsze uruchomienie testów od razu zielone, 12/12: czerwonego nie było.
- +24 minProsi o zgodę na publikację.
- +39 minRozpoznaje, że odpowiedź to lista poprawek, a nie zgoda, więc publikacja słusznie nie ruszyła.
- +63 minnpm test zielony: 23/23.
- +69 minPrzesuwa punkt Andromedy, dzieli napis na dwie linie, poprawia zdanie i dodaje test, że napis mieści się w rysunku.
- +71 minnpm test 24/24; nowy test powstał po poprawce i nigdy nie był czerwony.
Na osi czasu poniżej podświetlono 15 zdarzeń tej roli.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 0,44 $
- Czas pracy
- 70 min w 4 turach
- Prompt z cache
- 94%
- Wywołania modelu
- 83
Tokeny: 7,96 mln
- wejście bez cache: 497 tys.
- wyjście: 224 tys.
- odczyt z cache: 7,24 mln
Napisał testy przed kodem, ale nie uruchomił ich przed kodem, więc czerwonego wyniku nie było. W połowie przeróbki kontekst został skompresowany, a model doszedł do limitu tokenów wyjścia; dokończył mniejszymi kawałkami.
Kluczowe zdarzenia tej roli
- +20 minPisze testy najpierw, ale nie uruchamia ich przed kodem.
- +22 minPierwsze uruchomienie testów od razu zielone, 12/12: czerwonego nie było.
- +24 minProsi o zgodę na publikację.
- +39 minRozpoznaje, że odpowiedź to lista poprawek, a nie zgoda, więc publikacja słusznie nie ruszyła.
- +63 minnpm test zielony: 23/23.
- +69 minPrzesuwa punkt Andromedy, dzieli napis na dwie linie, poprawia zdanie i dodaje test, że napis mieści się w rysunku.
- +71 minnpm test 24/24; nowy test powstał po poprawce i nigdy nie był czerwony.
Na osi czasu poniżej podświetlono 15 zdarzeń tej roli.
Szczegóły: Kierownik
Oś czasu
Jak czytać: czas liczymy od startu zgłoszenia, kolor etykiety mówi, kto działał, a długie przerwy to noc czekania na człowieka.
14 z 27 zdarzeń. Czas liczony od startu zgłoszenia. Podświetlone: Kierownik.
- +1 minSystemKlasyfikator ocenia zgłoszenie jako małe (0,60), więc kierownik zrobi je sam.
- +20 minKierownikPisze testy najpierw, ale nie uruchamia ich przed kodem.
- +22 minKierownikPierwsze uruchomienie testów od razu zielone, 12/12: czerwonego nie było.
- +24 minKierownikProsi o zgodę na publikację.
- +31 minCzłowiekCzłowiek odpowiada: przerób stronę w duchu Arystotelesa.
- +39 minKierownikRozpoznaje, że odpowiedź to lista poprawek, a nie zgoda, więc publikacja słusznie nie ruszyła.
- +57 minSystemModel dochodzi do limitu tokenów wyjścia; kierownik pisze dalej mniejszymi kawałkami.
- +63 minKierowniknpm test zielony: 23/23.
- +66 minCzłowiekCzłowiek prosi o dwie drobne poprawki: przycięty napis na 390 px i zdanie o Andromedzie.
- +69 minKierownikPrzesuwa punkt Andromedy, dzieli napis na dwie linie, poprawia zdanie i dodaje test, że napis mieści się w rysunku.
- +71 minKierowniknpm test 24/24; nowy test powstał po poprawce i nigdy nie był czerwony.
- +605 minCzłowiekRano człowiek odpowiada: „zatwierdzam”.
- +605 minSystemPublikacja: commit, push i PR #1.
- +607 minSystemKlasyfikator blokuje komentarz w zadaniu przez skrypt; kierownik używa narzędzia do zadań w Fenixie, jak każą jego zasady.
- Cel
- Kalkulator, który mówi, czy moja machina latająca uniesie człowieka, zanim skoczę z nią z góry.
- Po co
- Rysuję skrzydła od lat, ale siły powietrza nie umiem zważyć. Wolę, żeby pomyliła się liczba niż mój uczeń.
- Gotowe, gdy
- wpisuję masę lotnika razem z machiną, powierzchnię skrzydeł i prędkość, a dostaję odpowiedź „leci” albo „nie leci”
- dla 90 kg, 10 m² i 20 km/h machina nie leci, a strona mówi, jaka prędkość byłaby potrzebna (około 40 km/h)
- widzę, ile kilogramów unoszą skrzydła i ile jeszcze brakuje
- przy prędkości zero strona się nie psuje, tylko spokojnie mówi, że na postoju nikt nie lata
- Poza zakresem
- Próby z góry Ceceri. Najpierw liczby, potem odwaga.
Przebieg na schemacie
Kodował kierownik, sam · 67 min pracy agentów przy 10 h 9 min od startu do końca, reszta to noc czekania na człowieka · 26 testów na koniec · koszt 0,49 $
Kliknij węzeł, żeby zobaczyć model, tokeny, koszt i zdarzenia tej roli. Strzałki przenoszą między węzłami, Esc czyści wybór.
Zgłoszenie do Ocena wielkości. Ocena wielkości do Kierownik: sam, wbrew ocenie. Kierownik do Człowiek: do oceny: 13/13. Człowiek odsyła do Kierownik: 1. kartka z notatnika Leonarda. Człowiek odsyła do Kierownik: 2. maszyna narysowana jak w kodeksie. Człowiek do Pull request: 3 zgody.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 0,49 $
- Czas pracy
- 67 min w 7 turach
- Prompt z cache
- 96%
- Wywołania modelu
- 136
Tokeny: 14,81 mln
- wejście bez cache: 555 tys.
- wyjście: 225 tys.
- odczyt z cache: 14,03 mln
Zrobił zadanie sam wbrew sugestii klasyfikatora. Znalazł dwa błędy Fenixa i zgłosił je we wstrzymaniu, zamiast je obchodzić. Testy były czerwone przed kodem za każdym razem, trzy razy w tym przebiegu.
Kluczowe zdarzenia tej roli
- +7 minUznaje wynik za rzut monetą i robi zadanie sam, jak w sąsiednich zgłoszeniach.
- +10 minZnajduje dwie usterki Fenixa: funkcję recordRuntimeChoice, której nigdzie nie zdefiniowano, i komentarz blokowany przez filtr wycieków Fenixa.
- +16 minZgłasza obie usterki we wstrzymaniu, zamiast je obchodzić.
- +20 minTesty najpierw: npm test czerwony, brak modułu.
- +44 minNowe testy czerwone, potem projekt notatnika; zielone 25/25.
- +54 minTest żeber skrzydła czerwony („0 ribs”), rysunek od nowa; zielone 26/26.
- +58 minZauważa, że nic się nie zacommitowało, i w kodzie Fenixa dowodzi, że zgoda musi być jednym słowem.
- +72 minZgłasza wstrzymanie z pełnym błędem i odkłada je do rana.
Na osi czasu poniżej podświetlono 17 zdarzeń tej roli.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 0,49 $
- Czas pracy
- 67 min w 7 turach
- Prompt z cache
- 96%
- Wywołania modelu
- 136
Tokeny: 14,81 mln
- wejście bez cache: 555 tys.
- wyjście: 225 tys.
- odczyt z cache: 14,03 mln
Zrobił zadanie sam wbrew sugestii klasyfikatora. Znalazł dwa błędy Fenixa i zgłosił je we wstrzymaniu, zamiast je obchodzić. Testy były czerwone przed kodem za każdym razem, trzy razy w tym przebiegu.
Kluczowe zdarzenia tej roli
- +7 minUznaje wynik za rzut monetą i robi zadanie sam, jak w sąsiednich zgłoszeniach.
- +10 minZnajduje dwie usterki Fenixa: funkcję recordRuntimeChoice, której nigdzie nie zdefiniowano, i komentarz blokowany przez filtr wycieków Fenixa.
- +16 minZgłasza obie usterki we wstrzymaniu, zamiast je obchodzić.
- +20 minTesty najpierw: npm test czerwony, brak modułu.
- +44 minNowe testy czerwone, potem projekt notatnika; zielone 25/25.
- +54 minTest żeber skrzydła czerwony („0 ribs”), rysunek od nowa; zielone 26/26.
- +58 minZauważa, że nic się nie zacommitowało, i w kodzie Fenixa dowodzi, że zgoda musi być jednym słowem.
- +72 minZgłasza wstrzymanie z pełnym błędem i odkłada je do rana.
Na osi czasu poniżej podświetlono 17 zdarzeń tej roli.
Szczegóły: Kierownik
Oś czasu
Jak czytać: czas liczymy od startu zgłoszenia, kolor etykiety mówi, kto działał, a długie przerwy to noc czekania na człowieka.
15 z 34 zdarzeń. Czas liczony od startu zgłoszenia. Podświetlone: Kierownik.
- +1 minSystemKlasyfikator zgłoszeń skłania się ku średniemu (0,51 wobec 0,48 dla małego), czyli DEV i TEST.
- +7 minKierownikUznaje wynik za rzut monetą i robi zadanie sam, jak w sąsiednich zgłoszeniach.
- +10 minKierownikZnajduje dwie usterki Fenixa: funkcję recordRuntimeChoice, której nigdzie nie zdefiniowano, i komentarz blokowany przez filtr wycieków Fenixa.
- +16 minKierownikZgłasza obie usterki we wstrzymaniu, zamiast je obchodzić.
- +20 minKierownikTesty najpierw: npm test czerwony, brak modułu.
- +31 minCzłowiekCzłowiek odpowiada na wstrzymania i prosi o stronę z notatnika Leonarda.
- +44 minKierownikNowe testy czerwone, potem projekt notatnika; zielone 25/25.
- +50 minCzłowiekCzłowiek prosi o rysunek machiny jak z kodeksu.
- +54 minKierownikTest żeber skrzydła czerwony („0 ribs”), rysunek od nowa; zielone 26/26.
- +58 minCzłowiekCzłowiek zatwierdza, ale pełnym zdaniem.
- +58 minKierownikZauważa, że nic się nie zacommitowało, i w kodzie Fenixa dowodzi, że zgoda musi być jednym słowem.
- +70 minSystemPublikacja tworzy commit, ale GitHub odrzuca push (403).
- +72 minKierownikZgłasza wstrzymanie z pełnym błędem i odkłada je do rana.
- +605 minCzłowiekRano człowiek poprawia token i prosi o zgodę jeszcze raz.
- +607 minSystemPublikacja wypycha gałąź i otwiera PR #2.
- Cel
- Kalkulator, który mówi, na ile mogę wierzyć świadkowi, który twierdzi, że widział coś rzadkiego.
- Po co
- Wątpię we wszystko, ale nie umiem powiedzieć, jak bardzo. Rachunku prawdopodobieństwa jeszcze nikt nie wymyślił, a ja chcę mieć liczbę zamiast przeczucia.
- Gotowe, gdy
- wpisuję, jak rzadka jest rzecz (1 na ile przypadków) i jak często świadek mówi prawdę, a dostaję szansę, że rzecz naprawdę się zdarzyła
- dla 1 na 1000 i świadka, który ma rację w 99 przypadkach na 100, widzę około 9%
- obok wyniku jest jedno zdanie, które tłumaczy, dlaczego wynik jest tak niski
- przy świadku nieomylnym (100%) strona podaje 100%, ale dopisuje, że takiego świadka jeszcze nie spotkałem
- Poza zakresem
- Pytanie, czy właśnie nie śnię. Na razie zakładam, że nie.
Przebieg na schemacie
Kodował DEV (dev-1, dev-3), sprawdzał TEST (test-2, test-4) · 138 min pracy agentów przy 139 min od startu do końca · 17 testów na koniec · koszt 3,80 $
Kliknij węzeł, żeby zobaczyć model, tokeny, koszt i zdarzenia tej roli. Strzałki przenoszą między węzłami, Esc czyści wybór.
Zgłoszenie do Ocena wielkości. Ocena wielkości do Kierownik. Kierownik do DEV dev-1. DEV dev-1 do TEST test-2: runda 1. TEST test-2 do Człowiek. Człowiek odsyła do DEV dev-3: do DEV: 190 i 100 zamiast 180 i 90. DEV dev-3 do TEST test-4: runda 2. TEST test-4 do Człowiek. Człowiek do Pull request: „tak”.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 3,17 $
- Czas pracy
- 84 min w 7 turach
- Prompt z cache
- 20%
- Wywołania modelu
- 94
Tokeny: 8,96 mln
- wejście bez cache: 7,04 mln
- wyjście: 113 tys.
- odczyt z cache: 1,81 mln
Nie napisał kodu produktu: pisał briefy, sprawdzał diffy i sam liczył przypadki kontrolne. Do cache trafiał tylko stały prompt systemowy (ok. 22 000 tokenów), a reszta rozmowy, rosnącej do 150 000 tokenów, szła przy każdym wywołaniu jako świeże wejście. Przy udziale cache z FOC-1556 kosztowałby ok. 0,28 $ zamiast 3,17 $ (szacunek).
Kluczowe zdarzenia tej roli
- +7 minPisze zlecenie i uruchamia dev-1 we własnym worktree.
- +17 minSam czyta diff i przelicza przypadek kontrolny: 0,0902, czyli 9%.
- +19 minUruchamia test-2 przypięty do tego commita.
- +69 minNie obchodzi granicy izolacji: zgłasza wstrzymanie z pełnym błędem.
- +135 minWyłapuje zły PR, oznacza go DO NOT MERGE i otwiera PR #5 z przetestowanym kodem.
Na osi czasu poniżej podświetlono 16 zdarzeń tej roli.
Kierownik
xiaomi/mimo-v2.6-pro- Koszt
- 3,17 $
- Czas pracy
- 84 min w 7 turach
- Prompt z cache
- 20%
- Wywołania modelu
- 94
Tokeny: 8,96 mln
- wejście bez cache: 7,04 mln
- wyjście: 113 tys.
- odczyt z cache: 1,81 mln
Nie napisał kodu produktu: pisał briefy, sprawdzał diffy i sam liczył przypadki kontrolne. Do cache trafiał tylko stały prompt systemowy (ok. 22 000 tokenów), a reszta rozmowy, rosnącej do 150 000 tokenów, szła przy każdym wywołaniu jako świeże wejście. Przy udziale cache z FOC-1556 kosztowałby ok. 0,28 $ zamiast 3,17 $ (szacunek).
Kluczowe zdarzenia tej roli
- +7 minPisze zlecenie i uruchamia dev-1 we własnym worktree.
- +17 minSam czyta diff i przelicza przypadek kontrolny: 0,0902, czyli 9%.
- +19 minUruchamia test-2 przypięty do tego commita.
- +69 minNie obchodzi granicy izolacji: zgłasza wstrzymanie z pełnym błędem.
- +135 minWyłapuje zły PR, oznacza go DO NOT MERGE i otwiera PR #5 z przetestowanym kodem.
Na osi czasu poniżej podświetlono 16 zdarzeń tej roli.
Szczegóły: Kierownik
Oś czasu
Jak czytać: czas liczymy od startu zgłoszenia, a kolor etykiety mówi, kto działał.
15 z 39 zdarzeń. Czas liczony od startu zgłoszenia. Podświetlone: Kierownik.
- +0 minSystemKlasyfikator ocenia zgłoszenie jako średnie (0,73), więc pracę dostaną DEV i TEST.
- +7 minKierownikPisze zlecenie i uruchamia dev-1 we własnym worktree.
- +11 minDEVdev-1 pisze najpierw testy i widzi je czerwone, zanim powstał kod.
- +14 minDEVCommituje kalkulator z wykresem kropkowym SVG i 14 testami.
- +17 minKierownikSam czyta diff i przelicza przypadek kontrolny: 0,0902, czyli 9%.
- +19 minKierownikUruchamia test-2 przypięty do tego commita.
- +25 minTESTtest-2 sprawdza, że nowe testy są czerwone na wersji bazowej.
- +42 minTESTRunda 1 zaliczona: 14/14, każde kryterium z dowodem.
- +47 minCzłowiekW przeglądarce znajduje błąd: 190 zgłoszeń i 100 prawdziwych zamiast 180 i 90. Wraca do DEV.
- +53 minSystemWznowienie dev-1 pada na błędzie uprawnień (EACCES).
- +69 minKierownikNie obchodzi granicy izolacji: zgłasza wstrzymanie z pełnym błędem.
- +75 minDEVNowy dev-3 odtwarza błąd w teście (100 zamiast 90) i go poprawia: 17/17.
- +110 minTESTtest-4 potwierdza poprawkę. Runda 2 zaliczona.
- +115 minSystemPo „tak” publikacja otwiera PR #4 z samym package-lock.json.
- +135 minKierownikWyłapuje zły PR, oznacza go DO NOT MERGE i otwiera PR #5 z przetestowanym kodem.
Zgłoszenia, kod i testy wszystkich czterech kalkulatorów są publiczne. Zobacz repozytorium →
Co to znaczy dla Twojej firmy
- Budżet: zadanie kosztuje zwykle od kilkudziesięciu centów do kilku dolarów (mediana 1,22 $), a koszt widać przy każdym zadaniu, więc da się go planować.
- Kontrola: agenci niczego nie publikują sami. Wypchnięcie kodu i scalenie zatwierdza człowiek, a granice są ustawione w systemie, nie w poleceniu.
- Ryzyko: podział ról je obniża, ale nie zeruje. W Kartezjuszu testy były zielone, a błąd złapał człowiek, więc odbiór zostaje w Twoich rękach.
- Przejrzystość: każde zadanie ma oś czasu, koszt i zapis pracy agentów, więc wiesz, co się działo, bez dopytywania zespołu.
Co dalej z Fenixem
Cztery kalkulatory kosztowały razem 5,38 $ i niecałe sześć godzin pracy agentów. Człowiek wciąż był potrzebny: złapał błąd, którego nie złapały testy, i otworzył PR, którego Fenix nie mógł otworzyć.
To stan z 13 i 14 listopada. Fenix jest rozwijany każdego dnia i jest już kilka kroków dalej. Zadania bierze z naszej własnej bazy zadań w HQ i uruchamia się na prośbę z HQ, a 15 listopada pierwsze zadanie przeszło całą drogę od zgłoszenia w HQ do pull requesta. Dwie usterki widoczne w tych przebiegach są już naprawione.
Co dalej: osobna maszyna dla każdego projektu, pytania i zgody Fenixa przy zadaniu w HQ, start i stop prosto z HQ, dzienny limit wydatków i koszt modeli widoczny przy każdym zadaniu. Wersję 1.0 w dużej części buduje sam Fenix, a człowiek przegląda i scala jego zmiany.
Najwięcej widać na żywo. W 20 minut pokażemy, jak jedno zadanie przechodzi przez Fenixa i HQ, od opisu do scalonej zmiany, i porozmawiamy, jak przenieść to do Twojego zespołu.
Program partnerski
Pracuj z Fenixem na własnych zadaniach.
Szukamy firm, które chcą budować oprogramowanie z zespołami agentów AI. Partnerów dodajemy pojedynczo, żeby każdy dostał naszą uwagę.
Wdróż u siebie
Fenix działa w Twojej firmie, z Twoimi repozytoriami i Twoim HQ.
Buduj z nami
Dostajesz kod i głos w tym, co powstaje dalej.
Testuj wcześniej
Pracujesz na wersjach przed wydaniem i mówisz nam, gdzie boli.
