Sourcegraph推出的免费AI编程工具
Sourcegraph 创始人 Dan Adler 指出，AI 编码已从 Prompt-to-PR 范式进入瓶颈期，单纯提升模型质量无法解决大规模存量代码维护难题。文章提出“自主代码库”新范式，主张通过触发器（Triggers）与可调用函数（Callable Functions）构建确定性、可组合的 Agent 工作流，实现企业级代码库的自维护与自修复，而非依赖通用的 LLM 提示工程。
Sourcegraph 正式发布 Agentic Batch Changes，首次将代码代理（Coding Agents）的计费模式从‘按消耗/努力’转变为‘按结果’。用户仅需为成功合并到代码库的变更集（changeset）付费，未合并的生成任务不产生费用。该工具专为大规模代码迁移设计，通过专用代理架构降低边际成本，解决了企业级开发中‘产出不可量化’的痛点，让预算审批与 ROI 计算变得可追踪、可验证。
Sourcegraph 正式发布 Agentic Batch Changes，旨在解决跨数千个仓库的大规模代码变更难题。该工具基于 Batch Changes 引擎与 Deep Search 技术构建，支持用户通过自然语言描述变更，自动规划、执行并追踪从单仓库到整个代码库的迁移。其核心亮点包括基于合并结果的计费模式、动态脚本生成策略以及针对相似但不同环境的自适应能力，已在 Mercari 和 Canva 等客户的安全修复与库迁移中验证有效。
Sourcegraph 推出 Deep Search 新架构，通过沙箱环境运行脚本，将代码迁移和审计任务从 LLM 的上下文窗口中剥离。该方案利用 Sourcegraph 搜索 API 在隔离环境中处理海量文件，仅将结构化结果（如 CSV、JSON 报告）返回给 LLM，显著降低 Token 成本并提升输出准确性，适用于大规模代码库迁移与依赖审计场景。
Sourcegraph 团队宣布 Claude Code 文件选择器 (@ picker) 的重大架构升级，核心突破在于将匹配逻辑从模糊的路径子串匹配转变为基于 Sourcegraph 符号索引的智能推荐。新机制引入文件名精确匹配、符号名称匹配及 Git 近期修改权重，解决了传统路径匹配无法定位函数定义（如 @resolve_virtual_path）的痛点，显著提升了开发者在大型 Rust/Python 项目中的代码导航效率。
Sourcegraph 发布深度评估指南，揭示单纯提升代码检索质量并不等同于提高 Agent 任务完成率。文章通过 288 个任务的对比实验，展示了结构化检索在降低搜索成本、优化复杂任务定位方面的实际价值。核心观点在于：评估应基于“定位难度”而非代码库规模，并提供了具体的阈值参考（如 20+ 次搜索、75k+ token 消耗）来判断引入 Sourcegraph 的 ROI。
Amp 针对银行、医疗等强监管行业痛点，推出以合规为核心的智能体溯源方案。通过聚焦检索（Focused Retrieval）与 Sourcegraph MCP Server 的深度集成，将 AI 智能体的上下文读取过程转化为可审计的证据链。该更新解决了传统 AI 工具在变更管理中的‘黑盒’问题，确保每一次代码变更均可追溯至具体文件与原因，满足 SOC 2 及内部审计对准确性与完整性的双重验证要求。
Sourcegraph 正式推出 Code Finder，一款专为编程代理（Coding Agents）优化的专用搜索工具。通过引入‘分工协作’机制，Code Finder 独立执行搜索任务，将文件路径、行范围及上下文摘要直接交付给代理，大幅减少代理自身的搜索开销。实测数据显示，相比代理自行搜索，Code Finder 速度提升两倍，成本降低 40%，显著提升了大型代码库中的开发效率。
Amp 针对 CISA 新规下企业级代码安全面临的三大痛点——AI 生成代码缺乏上下文、检测覆盖率不可知、大规模修复流程低效——发布全新架构。通过引入全代码库上下文感知 Agent、动态覆盖率证明机制及自动化批量修复引擎，Amp 将千级仓库的漏洞修复周期从周级压缩至天级，填补了传统工具在规模化安全运营中的空白。
Sourcegraph 正式开启 Agentic Batch Changes 公共测试版，这是一款专为跨数百个仓库执行大规模代码迁移而设计的 AI 代理。它不仅能识别受影响的代码库，还能自动执行修复、处理 CI 失败并迭代直至 PR 合并就绪。Mercari 已成功利用该工具修复了跨整个代码库的安全漏洞，证明了其在处理复杂、非标准化代码变更时的强大能力。
Sourcegraph 创始人 Dan Adler 在 Amp 平台上发表重磅文章，指出尽管 AI 编码代理（Agents）能生成海量代码，但全球 72% 的软件工作仍依赖数十年积累的庞大遗留代码库。文章深刻剖析了当前 AI 工具在处理大规模代码库时的局限性，强调“拥有代码库”这一基础设施层面的挑战，呼吁构建能够真正理解、搜索和整合数十万行代码的下一代工程基础设施。
Sourcegraph 发布文章指出，大型代码库迁移失败的核心瓶颈并非人力或规划，而是工具缺乏全局代码视野。传统关键词搜索无法理解代码逻辑，且多仓库环境下的工具碎片化导致依赖关系断裂。文章通过 CodeScaleBench 实验证明，引入跨仓库代码智能（Code Intelligence）可将 AI 代理任务完成时间从 2 小时缩短至 89 秒，显著提升迁移效率与准确性。
