LinearB 宣佈推出 Agentic Studio，目標係幫企業開發團隊處理 AI 編程工具普及之後，日漸壅塞嘅 software delivery pipeline。公司指 Claude Code 同 Codex 呢類生成式 AI 寫碼工具，令寫 code 本身近乎無痛，但真正痛嘅係將 code 上線嗰段路——而 AI 又寫多咗好多 code 要上線。
LinearB 喺最新嘅 Software Engineering Benchmarks 報告分析咗超過 270 萬個 pull request，覆蓋 250 間機構，發現依賴 AI 編程工具嘅團隊合併嘅程式碼改動按年近翻倍；AI 輔助嘅 pull request 平均大近 2.6 倍，審查等待時間拖長超過 5 倍，造成大量積壓。喺「elite organizations」入面，AI agent 提出嘅 code 改動只有 79% 被合併，人類寫嘅則係 92%。
公司指，傳統 dashboard 只畀指標，唔畀解決 PR 所需嘅 context，工程師執返堆積壓好睏難。Agentic Studio 做法係將 Git repo 同 project tracking 工具嘅數據歸一化，做一個統一情境層（context layer），工程師可以用日常語言問 root cause，再收到加速建議。
Agentic Studio 嘅重點係同時服務人類同自主 coding agent。公司指佢透過 Model Context Protocol（MCP，一套定義 AI agent 同外部工具點樣互動嘅開放協議）整合，將歷史 context——重做率、過去 production incident、code ownership——餵返畀 AI agent，避免佢哋對 PR 做盲目修改。CEO Ori Keren 話：「context 係新 king，唔止對 AI 工具，對人類都係。我哋手上有個別人冇嘅知識圖譜，覆蓋整個 software delivery lifecycle，就正正係 agent 同團隊要嘅嘢。」
Kraken 係一個早期採用者。佢用 LinearB 嘅 MCP 整合去揾 code review 點解一直落後，發現主因係 timezone misalignment，唔係 PR 大小；重新排過工作流程之後，4 個月內將 review 時間削減超過一半。COO Dan Lines 話：「工程主管講咗好多年：metrics 有用，但唔會話你該做乜。」
阿調搞兩下：LinearB 呢份數據同 Kraken 案例全部出自 LinearB 自家，獨立第三方尚未核對。2.6 倍體積、5 倍等待、79% 對 92%——呢組數字係 LinearB 自己講，唔代表所有用 Claude Code / Codex 嘅團隊都有完全一樣嘅瓶頸；不同規模、不同 review 文化嘅團隊，AI 引入後嘅實際積壓未必一致。MCP 呢個協議近年先由 Anthropic 推起，生態尚未成熟，Agentic Studio 最終能唔能真係解決「AI 寫得快但 review 跟不上」嘅問題，要睇獨立用户同更長時間嘅數據，唔好將 LinearB 嘅單一案例當全產業標準。
阿調｜深度調教
