JetBrains AI

智能体化编码基准正逐步贴近真实软件开发。对于 Kotlin 团队而言，最重要的问题是 AI 智能体完成端到端 Kotlin 任务（从读取问题到生成可以通过验证的解决方案）的可靠性如何。 作为解决这一问题的第一步，我们发布了 Kotlin Benchmark，Kotlin Benchmark 是 JetBrains 用于评估 AI 编码智能体在处理 Kotlin 软件工程任务时表现的官方基准。我们的目标是为开发者提供一种可信、公开的方式来评估不同智能体在 Kotlin 上的表现，并使用更贴近日常开发工作的任务来比较不同的智能体设置。 伴随基准的发布，我们也将在 GitHub 上发布基准资源，并推…

向企业后端添加 AI 智能体不应以破坏架构为代价。如果您的核心系统是使用 Java 构建的，编排 LLM 并不需要您引入单独的 Python 微服务或重写技术栈。 今天，我们正式发布 Koog for Java。Koog 最初是为了满足 JetBrains 自身活动扩展需求而构建的，它使用结构化、可观测且具备容错能力的工作流取代了不可预测、临时的提示更改方法。 如今，JVM 最强大的智能体框架之一拥有了完全符合 Java 惯用风格的 API。您的 Java 团队可以直接在现有后端中构建可靠的 AI 智能体，借助流畅的构建器风格 API、线程池执行器和原生 Java 抽象，完全不需要担心任何与 …

Tracy 是一款开源 Kotlin 库，可以在几分钟内为 AI 赋能的应用程序添加生产级可观测性。它可以帮助您调试故障、测算执行时间，并跟踪模型调用、工具调用和您的自定义应用程序逻辑中的 LLM 使用情况。归根结底，全面的可观测性确保您可以获取了解真实应用程序行为的准确数据，从宏观趋势到细粒度跟踪分析性能，为全面的在线和离线评估提供支持。 Tracy 与常用的 Kotlin/LLM 技术栈（包括 OkHttp 和 Ktor 客户端，以及 OpenAI、Anthropic 和 Gemini 服务）无缝协作，它的底层基于 OpenTelemetry 构建。此架构可以确保开发者全面灵活掌控跟踪数据…