摘要： Cognition 共同創辦人 Walden Yan 在 OpenAI 案例中說明，GPT-6 Astra 的關鍵進步是讓 Devin 測試並證明自己的工作確實如預期運作。例子包括 iPhone 遊戲《Otter Run》的模擬器錄影，以及標明通過項目與未測範圍的報告。文章認為這讓審查從逐行推敲轉為評估實際行為，但仍不能完全取代人工審查。
審查程式碼的難題，卡在驗證而非撰寫
Cognition 的 Devin 現在已被各種規模的團隊拿來處理軟體開發工作，從銀行到新創都有。不過代理寫出的程式碼一多，工程師為了確認「它真的跑得起來、而且跑得正確」所付出的時間也跟著往上走。Cognition 共同創辦人 Walden Yan 在 OpenAI 發布的案例裡點出，GPT‑6 Astra 最關鍵的進步，就是「測試並證明其工作確實如預期運作的能力」。
重點不只是把程式碼生出來，而是連驗證的證據一起帶回。對產品開發者而言，這意味著審查流程可以從「逐行推敲邏輯」轉為「檢視測試結果與行為紀錄」。
Astra 讓測試結果成為可檢視的產出
Astra 被 Cognition 用在三個地方：Devin 本身、CLI，以及桌面產品。有個具體例子是 Devin 拿 Astra 去測 iPhone 遊戲《Otter Run》，交回的內容既有模擬器中遊戲運行的錄影，也附上一份報告，逐一標明哪些檢查通過、哪些區域還沒測到。
錄影讓工程師親眼看到應用程式的真實行為，報告則把測試涵蓋的邊界劃出來。兩份東西擺在一起，工程師就能迅速判斷這次變更安不安全、哪裡還得補強。這比單單收到一句「測試通過」有用得多，因為證據被留下來，可以回頭追溯。
客戶回報 bug 是另一個場景。客戶送來螢幕截圖後，Cognition 團隊可以把它交給搭配 Astra 的 Devin 處理，修好之後回傳一張呈現結果的截圖。Yan 說，這讓團隊「更快回應客戶」。
從逐行人工檢視，走向以證據做決策
Cognition 想達成的目標，是壓低人工檢視程式碼的比重。Yan 表示：「我們預期隨著時間，需要手動查看的程式碼會愈來愈少，最終能交付更多東西。」背後真正的轉變在於：代理除了動手改程式，還得負責證明自己改對了。
這和我們先前談過的 AI 軟體工廠的關鍵不是代理，而是五道閘門 有相通之處——真正重要的是設下可驗證的關卡，而不是無條件採信代理的輸出。一旦測試證據成為代理回報的固定內容，工程師就能把心力留給例外狀況，不必再反覆確認基本功能。
給開發團隊的思考方向
正在評估或導入 AI coding 代理的人，不妨先問自己一個問題：代理回報的內容，夠不夠讓我做出「合併」或「拒絕」的判斷？Cognition 的作法指向一個方向：要求代理附上行為錄影、測試涵蓋報告，或是修復前後的對照截圖。
當然，這不代表測試能完全取代人工審查。Astra 的報告還是可能漏掉某些測試情境，錄影也可能只呈現快樂路徑。但只要把證據納入流程，審查就從「猜測程式碼意圖」變成「評估實際行為」。對人手有限的小型團隊來說，這或許是拉高代理可靠度最直接的一步。