Augment Code 发布 Cosmos 平台：AI Agent 将事故调查效率提升 81%
背景：AI 原生组织的新瓶颈
随着编程与代码审查在 AI 原生组织中的高度自动化，Incident Management（事故管理） 已成为新的主要瓶颈。在小型、快节奏的团队中（通常 2-5 人），轮值工程师（On-call）往往无法在轮值期间有效贡献于功能开发，运营负担直接拖慢了工程速度。
即使拥有现代的可观测性工具，事故响应仍要求工程师在高压下重建上下文：关联部署、搜索 Slack 线程、检查仪表盘、识别所有权并重新发现过往事故。当警报触发时，工程师通常需要在 PagerDuty、Slack、仪表盘、日志、指标、GitHub 和过往事故之间跳跃，试图回答几个核心问题：
- 到底发生了什么？
- 最近的部署是否导致了此问题？
- 受影响服务的负责人是谁？
- 这是已知问题吗？
- 下一步该怎么做？
大多数工作都是重复性的调查工作。Augment Code 的目标是让 Agent 驱动重复性的事故调查，而将人类主要保留用于判断、优先级排序和修复决策。
核心突破：Cosmos 平台与 Incident Investigator
今年早些时候，Augment Code 内部推出了 Cosmos，这是专为自动化软件工程工作流设计的操作系统。Cosmos 旨在利用长期运行的专家 Agent 跨整个软件开发生命周期（SDLC）工作，并与人类协作。
本次更新聚焦于 Cosmos 中的 Incident Investigator（事故调查员） 专家 Agent：
1. 自动化根因分析 (RCA)
Incident Investigator 直接在事故响应的 Slack 通道内运行。它接收 PagerDuty 警报，执行结构化的调查，并在人类查看警报之前，就在线程中发布初步的 RCA 和推荐的修复行动（代码修复、回滚、升级或仅监控）。
- 工作流程：调查员遵循固定的运营工作流，涵盖排查、调查、沟通、修复建议和事后总结。
- 人类介入点：人类仅需扫描 RCA，可选提问，并对修复行动做出判断。对于平均警报，人类仅需不到一分钟即可介入。这是人类唯一深度参与的时刻。
2. 高质量 RCA 的生成机制
为了确保生成的分析质量高于普通开发人员，Incident Investigator 被赋予了与值班工程师相同的全套工具访问权限：
- 数据源：日志、指标、近期部署记录、GitHub 历史、代码上下文、所有权映射及近期变更。
- 交互能力：Agent 不仅能生成报告，还能回答工程师的后续问题（如“这个警报是否会自动解决？”、“是否影响其他租户？”等），并基于人类反馈记录学习经验。
3. 闭环自动化
该 Agent 形成了一个更广泛的运营闭环：
- 调查失败的根本原因和影响
- 提出修复方案
- 回答疑问
- 生成代码修复（并移交 PR Author 专家）
- 撰写解决总结和事后报告
- 记录来自人类互动的学习
实际价值与指标
这一变革的核心在于将人类从重复的调查中解放出来。在 Augment Code 的小型团队中，资深工程师原本需要处理 20% 的警报，而新工程师平均花费 30 分钟处理一次事故排查，每天被打断 5 次。
通过 Cosmos 平台的实施，团队实现了以下关键成果：
- 效率提升：人类在事故调查上的努力减少了 81%。
- 速度提升：工程师在功能开发上的速度显著加快。
- 质量提升：生成的 RCA 报告质量更高，结构更清晰，减少了人为误判。
结语
正如 Augment Code 团队所言，他们正在构建一个系统，其中 Agent 处理繁琐的调查工作，而人类专注于关键的判断和生产级决策。这不仅是工具链的升级，更是组织运作模式的根本性转变。
"Our goal is to have agents drive the repetitive investigation of incident management while pulling humans in primarily for judgment, prioritization, and remediation decisions."
—— Augment Code 官方团队
