Agent 負責寫程式,最後還是由 CI 買單。
當 AI Agent 批次提交 PR 時,CI 不只是一條流水線,也會逐漸成為程式碼庫的成本中心。StarSling 透過臨時沙箱、平行執行與持續優化的 Agent,試圖吸收這部分支出。
StarSling 深度解析:AI Agent 如何控制 CI 成本
Agent 負責寫程式,最後還是由 CI 買單。
當一個 AI Agent 每天提交數十甚至數百個 PR,程式碼庫負責人很快會遇到一個不太像「AI」的問題:GitHub Actions 的執行時間不夠用了。
測試、建置、Lint、容器映像、跨平台矩陣,每一項都按執行分鐘數計費。Agent 的平行能力越強,CI 帳單也越容易同步飆高。
StarSling 試圖解決的正是這個帳單問題。它不是另一個程式碼生成 Agent,也不是 Claude Code 或 Cursor 的替代品;它更像是專門供 Agent PR 使用的 CI 基礎設施層:
- 使用獨立的臨時沙箱執行測試
- 讓多個 Agent PR 併發執行
- 再由持續優化的 Agent 修改測試與 GitHub Actions 工作流程
這不是一般的「替 CI 提速」外掛。更精確地說,它利用程式碼生成能力反向改造程式碼庫的測試系統。
相關資訊來自 Launch HN 的發表貼文。StarSling 由 Yonas 與 Daniel 開發,也是 YC P25 專案,定位十分明確:專為需要承接大量 Agent PR 的程式碼庫而設計。
每個 CI 作業都在臨時沙箱中執行
傳統 CI 的基本前提是:開發者提交幾次 PR,CI 就執行幾次。
Agent 打破了這項前提。單一 Agent 可以批次修改檔案、產生 PR、等待測試失敗,再繼續提交修正。同一個程式碼庫的 CI 作業量,可能從每天數十次暴增到數百次。
StarSling 的做法,是讓每個 CI job 都在獨立的 ephemeral sandbox 中執行。沙箱是一次性的,作業結束後便直接銷毀,不必依賴長期常駐、且可能互相污染狀態的建置機。
硬體配置同樣直接以吞吐量與等待時間為目標:Zen 5 處理器、NVMe Disk。
這兩種組合各自對應一項瓶頸:
- Zen 5 提升運算吞吐量,減少編譯與測試階段的 CPU 等待
- NVMe 縮短 checkout、依賴安裝、快取還原與建置產物讀寫所需的時間
真正關鍵的配置,是 StarSling 宣稱提供 unlimited concurrency。官方描述的用途十分具體:讓一批 Agent 產生的 PR 同時執行 CI。
需要留意的是,這是「宣稱提供」,並非無條件保證所有程式碼庫都能免費取得無限並行。實際並行上限,仍會受到基礎設施容量、程式碼庫作業類型、GitHub API 限制,以及供應商排程策略影響。
不過,從產品設計來看,這與傳統 Actions Runner 的思路不同。
傳統 CI 通常先最佳化單一作業的執行秒數,再由佇列控制並行數。StarSling 更在意的是一批作業能否同時完成。對 Agent 而言,CI 延遲不是某個人短暫等待的時間,而會直接進入 Agent 的回饋迴圈。
假設一次完整循環如下:
- Agent 產生修補程式
- 提交 PR
- CI 執行測試
- Agent 閱讀失敗日誌
- 修改修補程式並再次提交
如果 CI 需要 20 分鐘,Agent 在這 20 分鐘內幾乎無事可做。並行也不是越多越好;快速提交大量失敗的 PR,只會製造更多返工與帳單。
因此,StarSling 最佳化的並非「單一 job」,而是整個 Agent 迭代週期。
負責優化 CI 的 Agent 也會提交 PR
StarSling 最值得關注的部分,是它的 CI harness。
核心是一個持續最佳化的 Agent loop。這個 Agent 會產生 PR,改進測試、GitHub Actions 工作流程,以及 CI 的整體速度與成本。
這裡存在一個非常實際的回饋閉環。
假設某個程式碼庫每次執行 lint 都需要 8 分鐘,其中 6 分鐘花在重複安裝依賴。CI Agent 可以修改 workflow,把適合快取的步驟放到正確位置;也能調整測試拆分方式,減少不必要的全量執行。
相關修改會以 PR 形式提交,再由程式碼庫維護者審查、測試,最後決定是否合併。
這與讓另一個 LLM 協助撰寫商業程式碼並沒有本質差異。差別在於,它修改的是生產系統本身:建置依賴、作業順序、快取策略、測試範圍,以及 runner 配置。
因此,風險也更接近基礎設施層。
商業程式碼 Agent 若寫錯函式,CI 通常能夠攔下;但 CI Agent 若誤刪測試、略過關鍵檢查,或把錯誤產物當成快取提交,後果可能更加隱蔽。
合理的安全邊界至少應包括:
- 不允許在未留下紀錄的情況下略過測試
- 對 workflow 檔案的變更進行明確審查
- 限制 Agent 可使用的 runner 權限與網路權限
- 驗證快取鍵與產物來源
- 為每次 Agent 變更保留可回滾紀錄
StarSling 的公開描述著重於自動改善速度與成本。但從工程角度來看,「成本最佳化」與「驗證強度下降」必須分開衡量,否則所謂降本,可能只是少執行了必要檢查。
Mastra 每月合併超過 1,800 個 PR
StarSling 官方表示,Mastra 已透過該系統每月合併超過 1,800 個 PR。
這個數字值得進一步拆解。
每月超過 1,800 個 PR,平均每天超過 60 個。這說明 Agent 已經不只是偶爾協助提交一個修補程式,而是在持續製造程式碼變更流。
但案例的關鍵並不在 PR 數量本身。
如果每個 PR 都仰賴人工逐行審查,1,800 個 PR 根本不可能形成穩定吞吐量。維護者必須將審查、CI 排隊、失敗診斷與合併策略,一起改造成適合機器生成程式碼的流程。
也就是說,當程式碼生成規模擴大後,瓶頸會從「撰寫程式碼」轉移到「驗證程式碼」。
這正是 StarSling 的定位:它不決定 Agent 該寫什麼,而是承接大量機器修補程式帶來的測試與建置壓力。
還有一個容易忽略的結論:Agent 正在修改專為自己服務的工具。
過去的 CI 是供人使用的。人看到紅色叉號,讀取日誌,修正問題。如今 Agent 產生失敗的 PR 後,同樣可以分析日誌、調整 workflow,縮短下一次驗證所需的時間。
工具開始適應生產者。
這是成本對沖,而非單純的提速外掛
傳統按執行分鐘數計費的 CI 模式,通常足以支應人類開發團隊。
原因很單純:雖然存在並行處理,但 PR 數量有限,作業也集中在工作時段。Agent 程式碼庫則不同。
Agent 可以全天運行,也能同時啟動十項作業,甚至不斷讀取結果後再開啟下一批作業。只要單次執行分鐘數乘以作業數量,帳單就會明顯上升。
更麻煩的是,Agent 往往會快速重試失敗作業。當無效建置數量龐大時,CI 消耗的主要資源便不是有效驗證,而是探索過程。
StarSling 的成本邏輯,可以視為兩層對沖。
第一層是降低單一作業成本:
- Zen 5 提升運算效率
- NVMe 縮短 I/O 等待
- ephemeral sandbox 避免環境漂移與複雜清理作業
- workflow 最佳化減少重複步驟
- Agent 自動調整測試與 Actions 配置
第二層則是提高批次吞吐量:
- unlimited concurrency 讓多個 Agent PR 同時接受測試
- CI 等待時間下降,Agent 循環周轉加快
第一層壓低每次執行的成本,第二層提高平行完成量。兩者結合,才可能抵銷 Agent 洪峰帶來的額外帳單。
這與傳統「CI 加速器」有本質差異。
後者通常協助程式碼庫少花幾分鐘;StarSling 瞄準的則是:當 PR 數量增加一個數量級後,如何避免 CI 成本曲線同步爆炸。
不過,僅憑 Launch HN 公開的資訊,仍無法確認三件事:
- unlimited concurrency 的具體限制條件與計費邊界
- 面對不同語言、monorepo 與複雜 Actions workflow 時,實際能節省多少成本
- CI Agent 產生 workflow PR 時的審查與回滾機制
在缺乏這些數據的情況下,還不能把「節省執行帳單」視為普遍成立的結論。更精確的說法是:StarSling 展示了成本對沖的產品方向,並以 Mastra 每月超過 1,800 個 PR 提供了一個生產環境案例。
編輯觀察
這件事的重要性,不只因為 CI 變快了,而是 Agent 已把基礎設施成本推高到難以忽視的程度。過去評估 AI 程式設計工具時,人們看的是產生速度、一次通過率與開發者滿意度;現在還得考量每個成功 PR 要消耗多少 CPU、I/O、快取與人工審查。
我的判斷是,下一波 AI Agent 基礎設施會圍繞「機器程式碼流」設計,而不是簡單複製 GitHub Actions。CI 將承擔一部分排程、隔離與策略執行工作;Agent 則持續修改所有能夠自動驗證的部分。
這與過去 Copilot 式的程式碼補全不同。過去是人在 IDE 中接受建議,現在則是一整批機器提交進入同一個程式碼庫。反向改造 CI 的能力,將決定 Agent 能否從示範走向長期運行。
然而,「unlimited concurrency」不等於「無限低成本」,目前的公開數據也不足以證明 Mastra 的收益能直接套用至一般程式碼庫。真正值得觀察的是,這些最佳化 PR 本身,能否穩定降低每次成功合併所產生的帳單。