AI领域迎来重要突破，曾担任阿里云副总裁的贾扬清在离开英伟达后再次投身创业，宣布成立Intent Lab并组建自主AI团队Fleet。该团队致力于将用户需求直接转化为生产级软件系统，其工作模式突破传统编程Agent的局限，试图承担从需求理解到持续改进的全流程工程任务。
Fleet团队公布的首个技术成果聚焦大模型推理优化。通过对英伟达TensorRT-LLM工具进行内核级重构，团队将GLM-5.2模型在Grace Blackwell计算节点上的推理速度提升至647token/s，较原始版本提升534%。优化过程涉及内核融合、运行时零拷贝、通信协议整合等四大技术路径，其中推测解码环节引入的DSpark技术使单次推理可验证多个候选token，成为速度提升的关键突破。
在数据库系统构建领域，Fleet展现了完全自主的工程能力。团队仅凭"开发兼容SQLite的SQL数据库引擎"这一指令，便完成了从架构设计到代码实现的全流程开发。系统最终通过全部600万项测试用例，运行过程中产生8720万个输出token，其中38.6%用于代码生成，21.7%用于测试验证。值得注意的是，使用开源模型完成该项目的成本仅约350美元，较商业模型方案降低82.5%。
分布式文件系统开发是Fleet的第三项技术实践。针对Agent工作负载特性，团队自主研发的AgentFS在目录查询性能上达到亚马逊EFS的626倍，文件读取速度提升30倍。该系统通过形式化验证覆盖190万个状态模型，完成300项集成测试，成功修复了由编程Agent引入的并发操作漏洞。在Git代码库测试中，AgentFS的克隆速度较EFS提升2.5-3倍，状态查询效率提升6.9-9.5倍。
与传统编程工具不同，Fleet的工作流程包含需求澄清、架构设计、任务协调、开发验证等六个环节。系统会持续记录设计决策对系统其他部分的影响，并在开发过程中动态更新架构方案。验证环节采用形式化证明与故障注入相结合的方式，确保代码变更时仍能保持系统稳定性。这种工程化思维使得Fleet能够处理包含多个组件的复杂系统开发任务。
目前公布的案例显示，Fleet在处理明确需求时表现出色，但其能否应对需求模糊的真实商业项目仍待观察。团队采用的自主协调机制在大型系统开发中的效率，以及长期运行的成本控制能力，将成为该技术走向产业应用的关键考验。这种从代码生成到系统构建的进化，标志着AI编程工具正在向完整软件工程流程渗透。
