DoorDash近日披露，其工程团队构建了一套基于多智能体大语言模型的自动化系统，用于清理其代码库中积累的大量陈旧功能开关（Feature Flag）。该系统覆盖超过60,000个功能开关和623个代码仓库，旨在解决功能开关长期堆积带来的技术债务问题。
功能开关是持续交付流程中的常见工具，允许开发团队在不重新部署代码的情况下控制功能上线与回滚。然而，随着时间推移，大量已失效或不再需要的开关若未被及时清理，会显著增加代码复杂度与维护成本。DoorDash面临的正是这一规模化难题。
据DoorDash介绍，该多智能体工作流整合了多个关键组件：通过MCP（Model Context Protocol）接入实时实验数据，确保清理决策基于开关的实际使用状态；引入工程师审批环节，保证自动化操作处于人工监督之下；利用隔离的Git工作树（Git Worktrees）避免并行任务之间的代码冲突；部署并行智能体以提升处理效率；并设置自动化验证机制，确保生成的代码变更符合质量要求。
在评估阶段，DoorDash选取了50个功能开关进行测试。结果显示，其中45个开关经系统处理后生成了可用的拉取请求，成功率约为90％。每次清理任务的平均耗时约为13.8分钟，平均成本为4.79美元。这一数据表明，该方案在准确性和经济性方面均具备实际落地能力。
DoorDash并未披露该系统是否已全面推广至全部60,000余个功能开关的清理工作中，也未说明后续维护与迭代计划。但从其公开的技术路径来看，多智能体架构与实时数据接入的结合，为大规模代码库治理提供了一种可复用的自动化范式。
随着企业软件系统规模持续膨胀，技术债务的自动化管理正成为工程效能领域的重要方向。DoorDash的实践表明，将LLM智能体引入代码维护流程，在特定场景下已能达到接近人工处理的可用性水平，同时显著降低时间与人力成本。这一案例或将为更多面临类似问题的工程团队提供参考。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
