Rescale 係間為 AI 年代而建嘅工程平台，航空航天、汽車、能源、生科、半導體同製造業嘅研發同工程團隊都喺用佢。呢次佢哋喺 AWS 上面，用 AI-Driven Development Lifecycle（AI-DLC，一個開源、以 AI 為中心嘅軟件開發方法論）加 Strands Agents，搞咗一個自動測試分發（triage）智能代理。官方講法：由問題定義到 staging 部署用咗五日，數週內上生產。
點解要做呢個代理？
每晚測試套跑完就 fail，值班工程師要拉 log、判根因、路由畀啱 team，返工返去到朝早重做一次。呢個循環喺跨分散式服務、幾十個 repository 嘅規模下，已經變成 on-call 輪值入面隱藏嘅一份全職工作。
具體講：成個 suite 有幾百個測試 case，fail 出現後，每個 alert、bug report、escalation 都要分類、排優先級、路由到啱 team；路由之後工程師仲要由多個 logging 同 monitoring 系統、加埋幾個 source repository 先收齊證據，debug 先至開始。而 end-to-end 測試係 gate 住每週生產 release——測試 fail 未解決，多支 team 要協調幾個鐘先至 deploy 得。整條路徑喺 critical path 上。
AI-DLC 係乜？
AI-DLC 係一套開源、以 AI 為中心嘅開發方法論，核心係「AI executes, humans decide」：AI 負責生成 work plan、寫 code、提議架構，但人類定 scope、驗收、批生產變更。Rescale 喺選呢個框架時，正正就係要一個「可以快、但唔可以跳過影響生產嘅架構決定」嘅方法，方便之後將同一套做法延伸到其他 use case。
代理具體做乜？
分類測試失敗、排優先級、路由到啱 team，然後由多個 logging 同 monitoring 系統同幾個 source repo 收證據，先至可以開 debug。原文話佢哋會將 AI-DLC 延伸到整個工程組織其他用例。
Rescale 嘅分工原則
Rescale 話佢哋喺整個工程 lifecycle（規劃、設計、實作、測試、審查、運維）都用 AI，但強調 engineer 對結果負責：AI 可以提議同執行，人定 scope、驗證工作、批准生產變更；工程師則專注喺 architecture、產品判斷同操作複雜分散系統所需嘅 context。
呢個案例出自 AWS Machine Learning Blog 嘅廠商自述，由問題定義到 staging 五日、到生產數週嘅時間表係 Rescale 同 AWS 嘅講法。原文未提供代理實際分類準確率、誤判率、同人工對比嘅數據。
阿調搞兩下：五日做到 staging、數週內上生產呢個速度係快，但要注意呢個係 AWS 自家 ML blog 嘅自述案例。代理有冇真係減少工程師實際負擔、有冇出現誤路由，原文一個數字都冇。企業採用 AI 唔係寫個 press release 就算數，重點係 deploy 之後有冇人盯住。
阿調｜深度調教
