Rescale利用AI-DLC框架与AWS服务构建智能测试分类代理

摘要：Rescale通过与AWS合作，利用AI-Driven Development Lifecycle (AI-DLC)框架和Amazon Bedrock服务，快速构建了一个智能测试分类代理。该代理能够自动分类和路由测试失败案例，显著提升了测试效率并减少了工程师的重复性工作。AI-DLC框架通过结构化的开发流程和AI辅助决策，帮助团队在短时间内实现了从概念到生产的快速迭代。

---

背景与挑战

Rescale是一家面向AI时代的数字工程平台公司，为航空航天、汽车、能源、生命科学、半导体和制造业的研发和工程团队提供支持。随着平台规模的扩大，运营开销也随之增加，工程师们花费大量时间在重复但关键的任务上：分类自动化端到端测试失败案例。这些测试失败案例需要被分类、优先级排序并路由到正确的团队，然后工程师们才能开始调试工作。

AI-DLC框架的选择

为了应对这一挑战，Rescale选择了AWS的AI-Driven Development Lifecycle (AI-DLC)框架。AI-DLC是一种以AI为中心的软件开发方法论，强调AI执行任务而人类进行决策，通过团队协作会议取代异步交接，确保AI理解团队的需求并减少假设。

解决方案概述

Rescale的智能分类代理在Amazon Elastic Kubernetes Service (Amazon EKS)上运行，作为现有Argo Workflows CI/CD管道的一部分。当夜间Playwright测试套件产生失败案例时，管道会触发分类代理。代理执行以下步骤：

1. 调用Amazon Bedrock上的Claude Opus 4.8对每个失败案例进行分类，识别根本原因（如基础设施问题、代码错误、测试不稳定或环境问题）。
2. 从知识库中检索相关的历史失败模式以获取额外上下文。
3. 通过Model Context Protocol (MCP)查询pod日志，获取支持分类的运行时证据。
4. 生成结构化的补救报告，包含具体的文件引用、函数名称和推荐的修复措施，供工程师审查。

代理在几秒钟内完成整个工作流程，并将结果直接输出到团队的现有报告管道中。

AI-DLC工作坊体验

工作坊为期五天，AWS架构师指导构建过程，而Rescale工程师则进行实际操作，共同构建系统。

• 启动阶段（第1-2天）：团队通过AI生成的澄清问题明确了需求，并制定了范围明确的需求文档。
• 构建阶段（第2-4天）：团队定义了接口合同和数据模式，完成了功能和性能设计问题，并签署了架构。
• 运营阶段（第5天）：团队构建了基于PyTest的评估框架，并进行了现场演示，展示了代理在分类和提供修复建议方面的能力。

生产成果

代理自工作坊以来一直在生产环境中运行，自动分类夜间端到端测试失败案例，取代了人工的初步分类工作。代理的分类一致性从最初的44%提升到目前的68%，并随着团队对黄金数据集和提示工程的迭代而持续改进。

关键收获

1. 从实际问题出发：Rescale的分类代理之所以成功，是因为它解决了实际的工程挑战。问题驱动了解决方案，而不是相反。
2. 人类监督加速而非减速：每一次改进系统的架构调整都来自对AI提案的人类验证。
3. AWS技术栈提供了代理所需的每一层支持：Amazon Bedrock提供了分类所需的模型访问，Strands SDK提供了代理框架，而Amazon EKS在Rescale的现有管道中托管了容器化代理。

未来展望

Rescale正在评估内部AI-DLC卓越中心，以帮助其他团队独立采用该方法。AI-DLC不仅限于构建代理，还被应用于HPC模拟应用目录管理、容器漏洞跟踪和补救以及基于工作流的云编码代理等场景。

---

消息来源：AWS Machine Learning Blog (2026-10-22)

—— 完 ——

主题标签： #Rescale 关注 #AI-DLC 关注 #Amazon Bedrock 关注 #智能代理 关注 #CI/CD 关注