平台工程的新职责：以代理速度提供环境服务
内容提要
平台工程已获认可，但AI编码代理将环境需求从工单变为流量：并发、短时、持续。传统复制或共享环境模式成本高、延迟大。需将环境视为服务系统，采用增量部署与路由，实现秒级响应和近零边际成本，使代理能自主请求环境，提升验证吞吐量，决定AI代码实际交付量。
延伸解读
环境需求从“工单”变“流量”
文章指出，AI编码代理将环境请求从人工工单转变为类似API调用的流量：并发、短时、持续。传统按人头估算需求的方式已失效，需求现在等于“人头×代理数×迭代次数”。平台团队需将环境视为服务系统，而非一次性资源，才能应对这种新形态。
复制与共享模式的局限
复制模式成本高、延迟大，共享模式则因排队和隔离问题导致等待时间爆炸。文章引用Little定律说明，当到达率接近处理能力时，等待时间会急剧恶化。两种模式都处于成本与隔离的极端，无法满足代理对秒级响应和近零边际成本的需求。
增量部署与路由：环境即服务
文章提出，采用单一稳定环境加增量部署和路由，可同时满足延迟、成本、并发和隔离要求。只部署变更的服务，其余流量路由到共享环境，使环境请求能在秒级完成，边际成本趋近于零。这使代理能自主请求环境，将验证嵌入其迭代循环。
验证吞吐量决定AI代码交付
文章强调，AI生成代码的瓶颈已从生成转移到验证。环境容量成为类似计算或CI的关键规划维度。将环境视为服务系统，可让平台团队预测需求曲线，避免AI采用带来的意外基础设施账单，从而提升实际交付的AI代码量。
Q&A
为什么AI编码代理会改变环境需求模式？
AI编码代理将环境需求从工单变为流量：它们并发、短时、持续地请求环境，如同客户端调用API。例如，100名开发者的组织在午餐前可能产生数百个环境请求，每个请求都需要真实依赖，验证完成后即失效。这种需求模式不再跟随人头，而是跟随人头乘以代理数乘以迭代次数。
传统复制环境和共享环境模式有哪些缺点？
复制环境模式为每个请求复制整个技术栈，成本高（如40服务系统每小时数美元）、启动慢（数十分钟），且并发时成本线性增长；共享环境模式则因排队导致等待时间爆炸（Little's law），且隔离性差，一个变更污染整个环境，导致团队批量变更，进一步恶化队列。
平台工程中'服务环境'的含义是什么？
服务环境意味着将环境视为一个服务系统，像计算资源一样被直接调用，关注延迟、并发、边际成本和隔离性。环境请求通过API而非工单，平台团队需要提供秒级响应、近零边际成本、支持并发和隔离的环境服务。
增量部署与路由如何实现秒级环境响应？
通过只部署变更的服务作为轻量级临时环境，并路由请求流量到这些环境，其他流量回落到共享稳定环境。由于只启动一两个服务，延迟降至秒级；共享稳定环境使边际成本接近零；并发受集群容量限制；隔离通过每个请求只看到自己的变更服务实现。
为什么环境服务对AI代理自主操作至关重要？
环境服务使代理能自主请求环境，将环境获取集成到其循环中：请求、部署、测试、拆除。秒级延迟和近零成本使验证能在循环内完成，无需人工等待，从而提升验证吞吐量，决定AI代码实际交付量。
平台团队如何应对AI代理带来的环境需求增长？
平台团队应将环境视为服务系统，采用增量部署与路由模式，并像规划计算资源一样规划环境容量。这需要转变思维，从提供环境到服务环境，并利用服务网格等技术实现路由。
