2026. 6. 26. · 08:15

89% 代码由 Devin 提交：Cognition 的 260 亿美元组织实验

Cognition 把 Devin 放进自己的工程链路，让 AI 代理承担大部分代码提交，人类团队转向定义任务、审核结果和改造客户现场。本文拆解这家公司如何从竞赛型研究小队，演化成代理、IDE 与企业交付并重的 AI 原生组织。

리서치 브리프

如果只看估值，Cognition 已经是 AI 编程赛道里最夸张的公司之一：2026 年 5 月，它宣布完成超过 10 亿美元融资，估值 260 亿美元，运行收入达到 4.92 亿美元，企业使用量从年初以来增长超过 10 倍。更值得拆的是另一组数字：Cognition 说，自己工程师提交的代码里，89% 由 Devin 提交，其余来自 Windsurf 里的本地代理。1

这让 Cognition 比普通软件公司更像一场管理实验：当公司内部的大部分代码生产都交给 AI 工程师，人类团队到底该怎么分工、招聘和协作？

先给结论。Cognition 的组织逻辑不是「用 AI 少雇人」这么简单。它真正押注的是：把人从写代码的执行层，推到定义任务、拆问题、验收结果和训练工作流的位置上。人不再只是交付者，而是 AI 代理队伍的架构师。

先看三组数字

事实	来源口径	组织含义
估值 260 亿美元，运行收入 4.92 亿美元	Cognition 2026 年 5 月融资公告披露1	市场押注的不只是一个工具，而是「软件生产方式」的变化
2026 年年初以来，企业使用量增长超过 10 倍	同一融资公告披露1	销售、部署、客户工程开始变得和研究同样重要
内部工程师提交代码中，89% 由 Devin 提交	Cognition 在融资公告中披露1	公司把自己的产品当成组织操作系统，而不是演示工具

这三组数字放在一起，能看出 Cognition 的压力来源。它一边要保持研究型公司的技术速度，一边要服务 Citi、Mercedes-Benz、Goldman Sachs、Dell、美国陆军和海军这类企业客户。Cognition 在公告里列出这些客户，并称 Mercedes-Benz 将一个八个月的遗留系统现代化项目压缩到八天。1

这不是纯研究团队能自然承接的工作量。AI coding agent 一旦进入大企业，交付对象就从「好不好用」变成了「能不能接入代码库、流程、权限、审计、工单、日志和安全规范」。组织必须跟着产品形态一起变。

从竞赛型研究小队，到「代理 + IDE + GTM」公司

Cognition 的早期气质很像一支竞赛队。公司招聘页写到，创始团队拥有 10 枚 IOI 金牌，成员来自 Cursor、Scale AI、Lunchclub、Modal、Google DeepMind、Waymo 和 Nuro 等公司。2 Scott Wu 本人也有很强的竞赛编程背景：Stripe 对他的访谈介绍里提到，他拿过三枚国际信息学奥林匹克金牌，2016 年代表哈佛参加 ICPC，后来创办 Lunchclub，2022 年共同创办 Cognition。3

这种背景解释了 Cognition 为什么能很早押注「自主软件工程师」这个难题。Devin 不是代码补全，也不是在编辑器里给建议。Wu 在 Stripe 访谈里把 Devin 定义为一种异步体验：你把 GitHub issue、Slack、Linear 或 Jira 里的任务交给它，它在 ticket 或 project 层级把事情做完。3

但这也制造了一个组织缺口。自主代理能处理任务，不等于客户知道如何把代理放进真实工程流程。Cognition 2025 年 7 月收购 Windsurf，补上的正是这块拼图。Cognition 在收购公告里写明，交易包括 Windsurf 的 IP、产品、商标、品牌、8200 万美元 ARR、350 多家企业客户，以及数十万日活用户。4

更有意思的是人。Cognition 在给内部团队的信里说，Windsurf 带来了 GTM、工程和产品团队；TechCrunch 也报道，Cognition 收购了 Windsurf 未被 Google 挖走的团队和产品。4 5

这笔收购不是简单买用户。它让 Cognition 从「做 autonomous agent 的研究团队」变成了「agent + IDE + 企业 GTM」的组合体。CNBC 后来报道，收购 Windsurf 后，Cognition 的 ARR 已经翻倍，合并后的企业 ARR 增长超过 30%。6

招聘：不是找会写代码的人，而是找会定义问题的人

Cognition 的招聘页用了一个很直接的说法：「talent-dense and growing quickly」。它不是把自己描述成一个流程成熟、岗位边界清晰的大公司，而是在招能在前沿问题里快速自驱的人。2

这类公司招聘的难点不在「会不会写代码」。如果 89% 的提交可以由 Devin 生成，人类工程师的稀缺性就不再只是编码速度，而是判断力：任务是不是拆对了，验收标准是不是清楚，代码库上下文是不是给够了，生成结果有没有隐藏风险。

招聘页上的岗位分布也能看出 Cognition 的组织重心。页面列出 24 个 Sales 岗、18 个 Customer Engineering 岗、8 个 Marketing 岗，以及 7 个 Research & Development 岗。2 这不是说研发不重要，而是说明产品进入企业后，增长瓶颈正在从「能不能做出来」转向「能不能在复杂客户现场跑起来」。

Customer Engineering 在这里尤其关键。AI coding agent 的销售不像卖一个 SaaS seat。客户要把代码库、权限、工单系统、日志、CI、知识库接进来，才可能让 Devin 真正做事。能完成这件事的人，既要懂工程，又要能处理客户流程，还要会把客户的含糊需求拆成代理能执行的任务。

这也是 Cognition 和传统工具公司的区别。传统开发工具卖的是效率增强，客户买了以后由内部团队慢慢采用。Devin 卖的是「把任务交出去」。这要求 Cognition 招的人会把客户的工程组织改造为适合 AI 代理工作的形态。

协作：Devin 不是插件，是同事

Cognition 最有价值的公开材料，是它写自己如何用 Devin 构建 Devin。文章开头给了一个硬数字：某一周，Cognition 把 659 个 Devin PR 合并进自己的代码库，而 2025 年最好的单周是 154 个。7

内部工作流也很清楚。Cognition 说，他们在 web、Slack、Linear、CLI 和 API 里使用 Devin；团队成员可以像给同事发消息一样，在 Slack 或工单里 @Devin，并附上上下文。Devin 生成 PR 后，人类再 review 和测试。7

这带来一个组织变化：能提交代码的人不再局限于会配置 Git、命令行和本地环境的工程师。Cognition 在文章里写到，任何人都可以在不理解 Git 或命令行的情况下，向代码库贡献改动请求。7

听起来很激进，但它并没有取消工程师。相反，瓶颈从「写」移到了「审」。Cognition 说，随着代理写的代码越来越多，瓶颈从写代码转向 review；他们现在用 Devin Review 处理每一个 PR，并让它把大型复杂 diff 组织成更容易理解的结构。7

这套机制背后的管理原则很简单：AI 负责扩大吞吐，人负责降低错误外溢。组织如果只把 AI 当作代码生成器，就会遇到 review 堵塞；Cognition 的做法是把 review、bug triage、design system audit、数据分析、知识库索引也一起代理化，让整条工程链路都能承受更高吞吐。

管理方法：把 AI 产出折算成人类工程小时

很多公司谈 AI 效率，还停在 tokens、提交数、PR 数这些活动指标。Cognition 的管理方法更接近财务核算：它试图估算每个 Devin session 相当于节省了多少「有效工程小时」。

在 2026 年 6 月的文章里，Cognition 解释了这套系统：先判断一个 session 是否产出了有用结果，再估计人类工程师完成同样工作需要多久。它用 126 位用户的 258 个 session 建立数据集，并在 233 个 held-out session 上得到 r_log = 0.74 的相关性。8

这个指标很值得管理者看。它承认代码行数不等于价值，也承认 AI session 可能失败。Cognition 会过滤无效 session；对于有 PR 的 session，如果 PR 没有被合并，就不纳入估算。对于没有 PR 的 session，它会用分类器排除无权限、用户未回复、没有实质推进等情况。8

这是一种很 AI 原生的管理方式：不把 AI 当黑盒福利，也不把所有自动化都算作收益。它先建立验收口径，再看组织到底省下了多少人力。

如果这套指标继续成熟，Cognition 的管理层会获得一种传统工程组织没有的视图：哪些任务适合代理，哪些团队能从代理中获得最大回报，哪些流程虽然看起来自动化了，但实际没有节省有效时间。

管理者真正要学的，不是「把 89% 代码交给 AI」

Cognition 的案例容易被误读成一句话：以后公司可以少招工程师。Scott Wu 对这个问题的回答反而更克制。TechCrunch 2026 年 5 月采访他时，他说 Cognition 从没把 Devin 视为替代人类；他更愿意把 Devin 看作「帮助你构建更多东西的伙伴」。9

这句话和 Cognition 自己的内部实践并不矛盾。Devin 可以提交 89% 的代码，但仍然需要人决定架构、定义任务、review 结果、校准代理、处理客户现场的模糊问题。Wu 在 Stripe 访谈里也说，Devin 现在更像 junior engineer，常用于简单功能、修复、迁移、重构、版本升级、测试和文档等工作。3

所以，Cognition 对创业公司的启发不是「立刻裁掉工程师」。更准确的说法是：如果 AI 能承担大量执行工作，公司就必须重新设计人的岗位。

可复制的部分有三条。

把工具先变成内部工作流。 Cognition 没有只写客户案例，而是公开自己如何用 Devin 处理 PR、bug triage、数据分析、文档和设计系统漂移。内部自用越深，产品反馈越快。7
让非工程角色也能触达代码库。 如果运营、支持、产品、数据人员都能通过代理发起代码级改动，组织速度会提升；但前提是 review、权限和回滚机制足够硬。
用有效产出而不是活动量管理 AI。 PR 数、代码行、token 消耗都可能误导管理者。Cognition 用「人类等价工程小时」做口径，至少把讨论拉回了业务上真正关心的时间和成本。8

边界也很明显。Cognition 这套方法适合代码库、任务、日志、工单和 review 流程高度数字化的团队。越依赖模糊判断、线下协作和隐性知识的组织，越难直接复制。它还要求团队有足够强的工程文化：任务要写清楚，验收要具体，review 要认真，否则代理会把混乱放大。

Cognition 的组织实验最值得盯的地方，不是它能不能继续把估值推高，而是它能否证明一种新公司形态：人负责判断、设计和验收，AI 代理负责大规模执行。真要复制 Cognition，先别问能不能买到同样的模型。先问自己的团队，能不能把工作拆到足够清楚，让一支「代理队伍」真的接得住。