Agent 正在把 AI 从"回答问题"推向"完成任务"，存储也随之从"提供容量、承载文件"的资源层，升级为贯穿 Agent 运行、协作与持续优化的关键底座。火山引擎存储团队以 Storage Agent Infra 为载体，围绕 Sandbox Store、Artifact Store、Agent 观测 & 评测三大能力方向，重新组织存储能力，支撑 Agent 时代的真实业务。
在不手写一行代码的情况下，用自然语言指挥 BlueCode AI 编程助手，在 2 个工作日内完成了一个 4 年历史、2 万行 Vue 项目的全面重构——157+ 个文件变更、108 个单元测试从零建立、包体积下降 30%、Element Plus 完全移除。文章的核心观点是：AI 辅助开发的关键不在 AI 本身的能力，而在于人为 AI 建立的约束体系——通过 Skills 技能包注入领域知识、AGENTS.md 沉淀项目规范、飞轮效应让错误只犯一次，将模糊目标转化为 AI 可精确执行的高质量指令，从提出需求到代码合入，甚至本篇分享也是AI生成。
本文会介绍如何把本地 CodeBuddy/Cursor 这类 Agent 接入在线应用，重点拆解从裸 LLM API、自建 Agent、Spawn CLI 到 ACP + MCP 的方案取舍，以及最终如何通过 Local Agent Proxy、Session Sandbox 和 Browser Tool Bridge 让 Agent 安全修改在线业务状态，或许能为有类似 Agent 嵌入需求的团队提供一些参考。
本文提出 AI Native 能力成熟度模型(AINMM)，为软件工程组织提供AI原生研发能力的评估与提升框架。AINMM 借鉴 CMMI 思想，定义了五个成熟度等级(ML1-ML5)：从 ML1 “AI 认识项目”到 ML5 “组织级自进化”，围绕五大过程域(上下文工程、能力封装、验证回路、协作契约、自进化)构建。模型针对存量工程转型痛点，提供可测量、可比较、可指导的渐进式路径，避免“big bang”式重构。配套 AI Native Evolution Kit 工具支持自动化评估与演进。通过挽单系统实践验证，该框架能准确定位团队 AI 能力短板，指导从“AI 辅助”向“全链路 AI 驱动”的系统性转型，助力实现十倍级效率跃迁。AINMM 不是银弹，而是随实践持续进化的工程指南。
我们在做数据研发领域的 AI coding，在建设项目能力的过程中和集团很多的 BU 都有深入的交流，今年发现大家除了端到端的交付外，大家都在探索"超级组织"，我们通过「 Loop Engineering」和「知识工程」解决复杂工作流的稳定性与自动化问题，搭建了“数研超级组织”的雏形 ～
