为了帮助开发者控制日益增长的AI编程智能体队伍,JetBrains正在推出JetBrains Central,这是一个面向团队的智能体开发平台,用于管理和维持对这些智能体的监督。
JetBrains Central的早期访问计划将于2026年第二季度开始,将有限量的设计合作伙伴参与。JetBrains将该平台描述为智能体驱动软件生产的控制和执行层。JetBrains Central旨在解决开发者在处理日益增长的智能体数量时面临的困难。据JetBrains称,开发者在这些环境中越来越多地遇到监督、一致性和控制方面的挑战。
在3月24日宣布的JetBrains Central作为智能体工作流程的控制层,与JetBrains的Air智能体开发环境和Junie大语言模型无关的编程智能体等工具并行运行。JetBrains表示,JetBrains Central将开发者工具、智能体和开发基础设施连接成一个统一的系统,自动化工作可以在团队和工具之间执行和管控。开发者可以从JetBrains IDE、第三方IDE、CLI工具、网页界面或自动化系统与智能体工作流程互动。智能体本身可以来自JetBrains或外部生态系统,包括Codex、Gemini CLI或自定义智能体。
JetBrains Central为智能体连接所需的上下文,包括代码库、文档和API。同时,智能体在真实的交付流水线和基础设施中运行,与Git代码库、CI/CD系统、云环境和其他设施交互。当智能体需要指导或完成任务时,它们通过团队已经使用的工具(如Slack或Atlassian)与人类团队成员交互。据JetBrains称,这允许智能体工作流程在开发团队今天使用的相同系统内运行,而不是在孤立的AI工具中。具体的核心功能包括:
治理和控制功能,包括策略执行、身份和访问管理、可观测性、可审计性以及智能体驱动工作的成本归属。其中一些功能已经通过JetBrains Central控制台提供。
智能体执行基础设施,配备云智能体运行时和计算资源配置,允许智能体在开发环境中可靠运行。
智能体优化和上下文功能在代码库和项目之间共享语义上下文。这使智能体能够访问相关知识并将任务路由到最合适的模型或工具。
Q&A
Q1:JetBrains Central是什么平台?
A:JetBrains Central是由JetBrains推出的智能体开发平台,专门用于帮助开发团队管理和监督AI编程智能体。它作为智能体驱动软件生产的控制和执行层,将开发者工具、智能体和开发基础设施连接成统一系统。
Q2:JetBrains Central什么时候可以使用?
A:JetBrains Central的早期访问计划将于2026年第二季度开始,届时将有限量的设计合作伙伴参与。目前还没有公布正式发布的具体时间。
Q3:JetBrains Central的核心功能有哪些?
A:主要包括三大核心功能:一是治理和控制功能,提供策略执行、身份访问管理等;二是智能体执行基础设施,配备云运行时和计算资源;三是智能体优化和上下文功能,实现语义上下文共享,帮助智能体访问相关知识。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。