#Agent 需要软件工程纪律
大多数 CIO 已将 Agent 集成到生产力套件中，在个别业务部门运行，并赋能团队拼接定制 Agent。但当被问及这些举措的总 ROI 时，大多数 CIO 仍在算数字。
许多团队正在构建孤立、脆弱的 Agent，没有连贯策略将它们串联起来，难以治理，导致 AI sprawl 。
Glean 提出：CIO 应该像对待软件一样对待 Agent。
和其他软件系统一样，Agent 依赖上下文、工具、权限、工作流、运行时 safeguard 和持续监督。要驱动企业价值，Agent 应该被良好设计、测试、谨慎推出、生产监控、并随时间改进——就像工程团队交付其他类型的企业级软件一样。
#Agent Development Lifecycle (ADLC)
采用类似软件开发生命周期模型的企业获得三件 ad-hoc AI pilot 无法提供的东西：
- 跨职能讨论 Agent 的共享语言
- 为每个 Agent 和整个组合定义 ROI 的可重复模式
- 每一步风险和所有权的清晰视图
ADLC 已帮助 Glean 客户（如 Sony、Databricks、Confluent）扩展 Agent 采用，每周数百万次 Agent 运行。Glean 内部工程团队部署的单个 Agent 每年回收 17,000+ 工程小时，ROI 超过 170 万美元。
#七个阶段
#1. Opportunity（机会）
用 plain language 说明 Agent 要解决的业务问题：今天谁受影响、没有 Agent 时工作如何进行、如果 Agent 成功会有什么 tangible change。把一切都锚定到业务已经关心的 outcome，而不只是有趣的 demo。
#2. Design（设计）
描述 Agent 实际负责什么。定义工作单元（ticket、incident、call、workflow）、何时运行、需要什么信息、每次应该产生什么。明确 scope 内、scope 外、以及哪些假设需要早期测试。
#3. Performance（性能）
把意图变成小而具体的成功指标集：期望推动的业务 KPI，加上 Agent-centric 的质量和安全信号。同意基线和目标范围，预先决定什么会导致你扩展、暂停或回滚 Agent。
#4. Context（上下文）
识别 Agent 完成工作和被公平评估所需的最小权限感知数据源、工具、示例和反馈信号集。包括它能读取哪些系统、被允许采取哪些动作、以及用什么 telemetry 理解其表现。
#5. Develop（开发）
把设计变成可靠的 Agent。选择正确的执行模型（结构化 workflow vs 更灵活的 auto-mode），然后针对 golden examples 测试、与现有流程并行运行、与 design partners 试点，直到 Agent 行为可预测——不仅在 hand-picked demo set 上。
#6. Launch（发布）
把 rollout 当作 change-management 练习，不是开关切换。决定谁先看到 Agent、它如何出现在工作流中、需要什么培训和沟通、以及在扩大访问前必须有哪些 guardrails、SLO 和 kill switch。
#7. Monitor & Improve（监控与改进）
像操作任何其他关键系统一样操作 Agent。使用 dashboards、alerts 和 runbooks 跟踪长期影响和质量，处理 incidents，把真实信号——用户反馈、覆盖、关键指标漂移——反馈到生命周期的早期阶段，让 Agent 持续改进。
这一步不是一次性阶段，而是随着 Agent 被维护、监控、升级和最终 sunset 的持续过程。
#新产品能力
#Auto-mode Agent（正式发布）
描述你想让 Agent 完成什么，auto-mode Agent 通过规划、推理和在企业图上行动来处理其余——在组织控制的 guardrails 和 managed actions 内。无预定义 workflow。无手动配置。
这是 Glean 为 Agent builder 发布的最重要的功能：从意图到可测试和迭代的东西的根本更快路径。
#Debug 和 Trace Views
Agent 以不总是显而易见的方式失败。Debug view 展示每一步：inputs、tool calls、产生每个结果的决策。这种可见性 closes the loop：从"something went wrong"到"here's what to change"。
#Sub-agents
不用构建一个 monolithic Agent 来处理流程的每个方面，团队可以构建可复用的 sub-agent，在需要时调用。这让 Agent 像最好的工程团队构建系统一样运作：模块化、可测试、每层受治理。
#Agent Sandbox
为每个自主 Agent 提供安全、私密的运行时环境：文件系统用于组织和检索长时任务的中间输出（如分析大量 Gong calls），以及代码解释器用于超越语言模型推理单独能可靠处理的计算。
#Agent Library
随着组织中 Agent 数量增长，discoverability 成为真正问题。Agent library 让管理员控制哪些 Agent 对谁可见、如何描述、如何分类。确保正确的 Agent 到达正确的人，catalog 不会变成噪音。
#Agent Access Policies
管理员可以声明所有 Agent 必须遵守的组织级 guardrails，如防止实习生使用 Agent 写入任何记录系统。为企业提供 peace of mind，确保所有 Agent 受控。
#Agent Insights
新 insights 界面展示哪些 Agent trending、哪些很少使用、用户在哪里给负面反馈、行为如何随时间变化。Agent 内的反馈机制让 builder 收集结构化信号来驱动迭代。
#结语
下一波企业 AI 不会由拥有最多 Agent demo 的团队赢得。它将由能把 promising ideas 变成可重复、可测量 outcome 的团队赢得——这正是 ADLC 的设计目的。
在企业中，成功不会来自 ship 最多的 Agent。它将来自构建值得信赖、可治理、真正有用的 Agent——那种组织可以随时间改进并自信扩展的 Agent。