Steve Yegge 提出 Counting House 企业 AI 部署模式，并与软件工厂 Wheelhouse 对照

Steve Yegge：Medium· Steve Yegge·2026-10-27 23:15· 1 小时前AI 评分52

The Counting House

AI 导读

Steve Yegge 在文章中提出企业 AI 落地正形成两种不同模式：开放探索的软件工厂 Wheelhouse 和把低层级模型放上加固轨道的 Counting House。

正文 · 原文

我认为企业 AI 现代化正在开始形成一种模式，我一直在把这些设计思路汇集到一个我称之为 Counting House 的组装体中。这种模式将 AI 加入处理大量人工工作的系统，尤其是客户服务部门，不过同样的模式也适用于理赔处理和其他案件工作，每年处理数百万到数千万次接触。这篇文字是对 Counting House 的明信片式介绍，并与 SDLC 侧的开发并排比较——后者与它并不太相似。

即使你还没有理清 SDLC 侧的 AI 采用，你也可以构建一个这样的系统。一旦你有了 Counting House，你就可以控制并改善成本、质量和人员上手时间，而且全部使用相对便宜（甚至开放权重）的 AI 模型。

事实上，很有可能你并没有理清 SDLC 侧的 AI 采用。与我交谈的大公司（例如银行）告诉我，他们在软件开发中的 AI 应用上仍在挣扎。他们看到有希望但不一致的结果、团队之间无法复现、成本膨胀、内部文化阻力等等。

在我看来，SDLC 侧的 AI 采用在 2026 年一直是全行业的难题，而且这很可能延续到 2027 年。

Counting House 使用经典数据科学和一点老派工程诀窍，把较低层级的模型放上加固轨道，支撑人工工作流。它还让你能够衡量并报告这些模型相对于人类同行的表现。

我会简要回顾我自己的软件工厂 Wheelhouse，我运行它的方式或多或少像一家由人类员工组成的商店。然后我们将深入探讨 Counting House，它形成鲜明对比，把模型放在尽可能紧的轨道上。

Wheelhouse 回顾

我写过关于我的 Wheelhouse 系统的博客，它是 Gas Town 的继任者，而 Gas Town 是最早的软件工厂。Wheelhouse 要复杂得多，如今无疑是地球上顶尖的独立软件工厂之一，在轻量多机配置上轻松每周产出 2000–4000 次提交。它的智能体全天候工作：构建、审查、部署 游戏功能，在 Slack 上与我的游戏管理员协商，在 Discord 上与玩家互动，与我的会计师和律师交换电子邮件。它是一个装在盒子里的完整初创公司。我计划至少将其骨架开源。

Wheelhouse 直接面向现实世界中的 SDLC，在那里构建有意义的新系统需要相当多的范围和自由。这是一个探索性过程，因此 Wheelhouse 在设计上是一个开放系统，没有沙箱隔离。它是有结构的：教义和政策、人工关卡，以及仅仅十四个机械性“围栏”（程序化拒绝）。但我的智能体是一等同事。它们以我自己的身份工作，在工作中签上自己的名字，它们能看到整个系统并独立行动。这是 YOLO 模式放大到一家小公司的规模。

我至少见过十几位在类似工厂的系统中管理智能体团队的人，他们每一个人都完全不同。我开始把软件工厂看作私人军队，很快，每个人都会拥有一支。你把自己的军队锁得多严，由你决定；我有幸能让我的军队保持相当开放。但这也是 SDLC 侧 AI 迟迟未能起飞的原因之一。软件工厂极其昂贵、难以学习、难以维护，而且在真实企业内交出如此大的范围，风险极高。而你越是试图把它锁死，就越会打击它最初高效的核心：协作与探索。

阅读 yegge.ai 上的文章全文。

来源：Steve Yegge：Medium · steve-yegge.medium.com