實戰

兩千個 Agent 聯手改寫 SQLite:DoltLite 群體 AI 開發實戰解剖

DoltHub 把 Git 式版本控制搬進 SQLite 的 fork,約兩千個 AI Agent 共同提交了全部程式碼。這是首批公開的大型群體 Agent 開發案例,但 PR 的實際品質與 Agent 調度細節都未揭露,值得深入檢視。

字級

昨天(2026-08-31)DoltHub 發布了 beta 產品 DoltLite。看名字就知道是 SQLite 的 fork,內建 Git 式版本控制,branch、merge、diff 一應俱全。

但有個數字特別刺眼:

"...built with 2k agent PRs"

程式碼不是人寫的。約 2,000 個 PR,全由 AI Agent 提交。

Hacker News 拿到 22 分,4 則留言。雖然冷清,卻也衝上了首頁。我盯著這件事看了一下午,越看越覺得值得拆開來談。

DoltLite 是什麼:SQLite 加 Git,這次程式碼不是人寫的

DoltHub 之前做的 Dolt 走 MySQL 路線——鎖定企業市場,提供分散式 SQL 與 CI/CD 整合等完整方案。DoltLite 則換了一條路:fork SQLite,主打單檔嵌入式與本地優先。

本質差別在於:Dolt 是「Git for MySQL」,DoltLite 是「Git for SQLite」。後者更輕量,適合單機、CLI 與嵌入式場景。

# 官方 README 的基本用法
$ dolt init
$ dolt sql -q "CREATE TABLE users (id INT PRIMARY KEY, name VARCHAR(64))"
$ dolt add . && dolt commit -m "init"
$ dolt branch feature-x && dolt checkout feature-x
$ dolt sql -q "INSERT INTO users VALUES (1, 'alice')"
$ dolt commit -am "add alice"
$ dolt checkout main && dolt merge feature-x

API 與 SQLite 高度相容,SQL 語法、CLI 命令、檔案格式全部沿用,開發者遷移成本幾乎為零。

重點在開頭那句話——程式碼全部由約 2,000 個 AI Agent PR 協作完成。這不是某個 demo 跑通了某個 benchmark,而是 fork 了一個真實運作中的資料庫引擎並加以改造。

兩千個 PR 怎麼湊出來的:Agent 協作流水線長什麼樣

DoltHub 並未說明 Agent 如何組織——部落格裡沒提到調度框架,也沒說是 LangGraph、CrewAI 還是純腳本。

不過可以從 PR 數量反推一些事情:

  • 2,000 個 PR 對一個 SQLite fork 來說偏多。SQLite 主倉一年 PR 也才幾百個。2,000 個 PR 裡有大量機械性工作:重新命名、補註解、修 lint、寫 test、寫 docstring。
  • 平均每個 PR 的程式碼量應該很小。參考業界 Agent 寫程式碼的常見統計(先前 Devin 公開的案例),單一 PR 平均改動 50 至 200 行。2,000 × 150 ≈ 30 萬行改動——對一個 SQLite fork 來說,遠超正常迭代量。
  • 大量 PR 是冗餘的。多個 Agent 各自做類似的事,最後由人或某個上游 Agent 合併篩選。

所以「2,000 PR」這數字的水分不小。它比較像是「Agent 群投了 2,000 次票」,而非「2,000 位獨立開發者貢獻了 2,000 個獨立 feature」。

DoltHub 可能採用的方案(猜測,未經證實):

# 常見的 Agent swarm 調度模式
async def dispatch_task(issue):
    candidates = await swarm.run(issue, n_agents=5)  # 5 個 Agent 平行解同一題
    ranked = await judge.rank(candidates)           # 由 judge Agent 選出最優解
    return ranked[0].to_pull_request()

每個 issue 派 3 至 5 個 Agent 跑,挑最好的提 PR。2,000 個 PR 大約對應 400 至 700 個真實 task。

這個模式現在很普遍:Anthropic 內部工具、CrewAI 文件範例、LangGraph 的 swarm cookbook 都採用類似思路。

為什麼選 SQLite 而非繼續做 MySQL:DoltHub 的策略盤算

Dolt 走 MySQL 路線幾年了,商業化進展平平。DoltLite 轉向 SQLite,猜測有三個原因:

  1. AI 本地推理場景爆發。Llama、Qwen、Mistral 等開源模型跑在本地,配套儲存往往是 SQLite。Llama.cpp 官方文件現在都推薦 SQLite 作為 metadata 儲存方案。當 AI 客戶端變成「本地模型加本地資料」,SQLite 就是預設後端。
  2. Dolt 的包袱太重。MySQL 協定、binlog、主從複製……這些在 AI 場景裡全是阻力。SQLite 單檔、零設定,對 Agent 友善。
  3. 押注 MCP 與 Agent 工具。Model Context Protocol 這套生態裡,SQLite 比 MySQL 好整合太多。Claude Desktop、Cursor 等客戶端內建的資料庫工具幾乎都是 SQLite。

DoltHub 不是在做「更好的 Dolt」,而是在搶「AI Agent 預設的版本化資料庫」這個位置。這條路比 Dolt 當年走 MySQL 替代品更聰明。

HN 22 分、4 則留言:社群為何反應冷淡

22 分登上 Hacker News 首頁不算低,但 4 則留言明顯偏少——一般首頁熱門貼文前 4 小時能有 50 至 200 則留言。

可能的原因:

  • 可信度尚未驗證。「2,000 個 Agent PR」是個吸引人的標題,但沒有人(包括我)能獨立稽核這些 PR 的品質。社群在等 DoltHub 公開更多資料。
  • 與 SQLite 上游關係未釐清。DoltLite fork 了 SQLite,SQLite 官方的公有領域授權沒問題,但貢獻怎麼回上游?Agent 寫的程式碼著作權算誰的?這是個未爆彈。
  • 大家仍在觀望。這種「群體 Agent 寫大型專案」的案例太少,無法橫向比較,謹慎是正常的反應。

也有可能只是時機問題——週一發的工作日貼文,跟帖量本來就難拉起來。

這跟先前的 AutoGPT 與 Devin 有什麼不同

過去兩年 Agent 寫程式碼的故事,大致分兩類:

  • demo 類:AutoGPT 展示讓 Agent 自己開公司、Devin 展示修 GitHub issue、SWE-bench 上的 Agent 跑分。
  • 單檔任務類:Cursor 寫個 function、v0 生成個元件、Cline 改個 bug。

DoltLite 屬於第三類——群體 Agent 在一個真實的大型專案上協作,產出可運行的產品程式碼。

差別在哪裡?

  • AutoGPT 那種是 Agent 單挑,寫個 todo app 就結束了。
  • DoltLite 這種是數百個 Agent 在同一棵程式碼樹上協作,需要解決合併衝突、風格統一、API 一致性。
  • 單 Agent 序列執行可以靠 prompt 調優;多 Agent 平行執行需要調度框架、評審機制、合併策略。

這不是又一個玩具 demo,而是群體 Agent 工程化的第一個像樣案例。

不過這裡有個坑我沒想通——SQLite 這種成熟的 C 程式碼庫,Agent 到底寫得了多少?2,000 個 PR 裡很可能有 80% 是 docstring、test、build script、C binding wrapper 這類「周邊程式碼」。核心的 VDBE、query planner、B-tree 實作,Agent 寫得出來嗎?我持懷疑態度。

編輯觀點

這件事之所以重要,是因為它是第一個公開的、大規模的「Agent 群協作產出可用於生產的程式碼」樣本。之前所有的 Agent 寫程式碼案例,不是 demo 就是單檔任務。DoltLite 則是 fork 一個真實的資料庫引擎並發布 beta。

但我抱有幾個疑問:

第一,2,000 PR 這個數字高估了實際工作量。依 Agent 寫程式碼的常見模式(每個 task 派 3 至 5 個 Agent 跑,挑最好的),2,000 PR 對應的真實 task 數量可能只有 400 至 700。「協作」這個詞被稀釋了。更準確的說法是「Agent swarm 投了 2,000 次票,最後挑出來的結果」。

第二,Agent 在 DoltLite 裡究竟寫了什麼?絕大多數應該是 test、doc、build script、example、type stub 這類「周邊」。核心的 SQLite 核心——VDBE、query planner、B-tree——Agent 能改多少?DoltHub 沒公開這個比例。如果不公開,「Agent 寫了一個資料庫」就只是行銷話術。

第三,「開發者貢獻」的定義需要重新思考。過去我們說「貢獻者」,指的是提交程式碼並被合併的人。現在如果一個 Agent swarm 投了 5 個 PR,最後只合 1 個,那這算 5 個貢獻還是 1 個貢獻?DoltHub 的 PR 計數方式如果跟傳統開源專案混在一起用,會污染貢獻者排行榜與 commit 統計。

我的判斷:DoltLite 是AI 群體開發的開端,但還不是成熟形態。下一波要看的是——Agent 群能不能在全新專案(而非 fork 現有專案)上從零做到 1.0。如果能做到,DoltLite 這類案例才真正稱得上里程碑。在此之前,它只是好看的工程實驗,不是典範轉移。

不確定的部分:DoltHub 沒公開 Agent 調度的具體細節(用什麼框架、多 Agent 如何解決衝突、judge 模型是什麼),無法獨立重現。等他們公開這部分資料再下結論會更穩妥。


參考來源:

來源: https://www.dolthub.com/blog/2026-08-31-doltlite-beta/