Software Factories 論戰：從 Microsoft、OpenAI 到 GLM、MiniMax，AI 開發代理平台的路線之爭在吵什麼？

7月23日
讀畢需時 8 分鐘

「Software Factories」（軟體工廠）是 2026 年 6 月底、7 月初在舊金山舉行的 AI Engineer World's Fair 2026 大會主題，指的是「把整個軟體開發生命週期，交給 AI 代理自主執行的迴圈化流程」這個正在成形中的產業共識。這場大會的主題演講合輯，找來 Microsoft、OpenAI、開源陣營的 Z.ai（GLM）與 MiniMax、以及 Hugging Face 等多方代表，各自用自己的產品語言詮釋「軟體工廠」該長什麼樣子。表面上大家都在講「用 AI 代理自動化開發流程」，但仔細拆開每家公司的論點，會發現彼此對「工廠裡誰負責什麼」「開源還是閉源」這些問題，其實各自站在不同位置。這篇文章不做誰對誰錯的評判，而是把幾個關鍵爭點攤開，讓正在評估 AI 開發代理平台的企業與開發者，看清楚自己在挑的到底是什麼。

這場論戰的起點：AI Engineer World's Fair 2026 與「Software Factories」是什麼

AI Engineer World's Fair 2026 於 2026 年 6 月 29 日至 7 月 2 日在舊金山 Moscone West 舉行，是聚焦 AI 工程與應用落地的產業會議，本屆大會主題訂為「Software Factories」。根據會議策展方之一、Factory 公司代表 Tereza Tížková 在演講中提出的定義，軟體工廠指的是「整個軟體開發生命週期的自主化迴圈」，具體包含收集訊號、反應使用者回饋與系統日誌、優先排序、協調整合這幾個環節。她提出的核心理念是：讓 AI 代理去執行「建構」這件事本身，開發人員的角色則往上挪一層，轉為設計並維護那套讓代理自動寫程式的系統本身。這個框架本身，就是接下來各家公司各自表態的共同背景。

爭點一：軟體工廠是「代理迴圈」還是「產品化平台」？Microsoft 與 OpenAI 的兩種語言

同一場大會裡，Microsoft 與 OpenAI 都在講「AI 代理讓開發更有效率」，但用的是兩套不同的語言框架。

Microsoft 由 Pablo Castro 代表發表，介紹的是 Microsoft Foundry，將其定位為「AI app and agent factory」（AI 應用與代理工廠）。他論述的核心，是當人類與代理協作時會產生一種「學習迴圈」（learning loop）——換句話說，Microsoft 這場演講強調的是一個承載代理與應用的平台化「工廠」概念，重點放在人機協作過程本身會不斷累積、優化。

OpenAI 這邊由 Alexander Embiricos 與 Romain Huet 代表發表，談的是 Codex 代理如何透過多個代理迴圈疊加的方式提升生產力。他們的核心論點是：如果能把代理連接到「工作內容」「工作原因」，再連接到後續的審查與部署流程，代理才能真正完成更多工作——也就是說，OpenAI 強調的是代理迴圈本身要串接到開發流程的前後端（為什麼要做這件事、做完之後誰來審查、怎麼部署），而不只是把程式碼生成這一個環節自動化。同一場大會的開場演講，則是由 AI Engineer World's Fair／Latent Space 共同創辦人 swyx（Shawn Wang）以「Loopcraft: The Art of Stacking Loops」為題發表——他是大會主辦方代表，並非 OpenAI 官方發言人，但演講同樣圍繞「迴圈」這個主題，論述開發者與 AI 互動的形式，如何從單純聊天、到使用工具、到設定目標，一路演進到自動化與迴圈設計本身成為一門手藝。

這兩家公司的論述放在一起看，差異不在於「誰的技術比較強」，而在於敘事的切入點不同：Microsoft 把重點放在「工廠」這個承載平台，OpenAI 把重點放在「迴圈」這個運作機制本身要怎麼疊加、怎麼串接前後端流程。

爭點二：開源陣營怎麼看？Z.ai 的 GLM-5.2 與 MiniMax 的 M3

如果說 Microsoft 與 OpenAI 代表的是閉源、平台化的路線，這場大會另一頭則有開源模型陣營的代表發聲。

Z.ai（GLM 團隊）由 Zixuan Li 以線上方式發表，推出開源大型語言模型 GLM-5.2，將其定位為「長時任務的旗艦模型」（flagship model for long-horizon tasks）。同時，Z.ai 也發布了工具 ZCode，宣稱這項工具「支援所有前沿模型」，並在演講中將 ZCode 與 OpenAI Codex 做了比較。這代表 Z.ai 選擇的路線，是用開源模型搭配一個聲稱可相容多種前沿模型的工具層，而不是像 Microsoft 或 OpenAI 那樣，把代理工具與自家模型綁在同一個閉源生態裡。

中國公司 MiniMax 則由代表 Olive Song 出席，發布了最新的開放權重模型 M3，由 Hugging Face 的 Thomas Wolf 進行訪談介紹。目前公開報導對 M3 的具體技術特性著墨不多，本文在此也不做超出報導範圍的推測——能確認的事實，僅止於「MiniMax 代表 Olive Song 在這場大會發布了 M3，這是一個開放權重模型，並接受 Hugging Face 代表 Thomas Wolf 的訪談」這個框架本身，至於效能表現、訓練規模等細節，仍待更多公開資訊佐證。

值得注意的是，GLM-5.2 與 M3 分屬兩家不同公司（Z.ai 與 MiniMax），不應被混為同一路線的同一款產品；兩者的共同點，僅止於都採取開放權重／開源的模型發布方式，這與 Microsoft、OpenAI 相對閉源的產品化路線，形成本場大會另一條並行的敘事線。

爭點三：「軟體工廠」這個詞，由誰來定義？

一個容易被忽略、但值得指出的爭點是：「Software Factories」這個大會主題本身的定義框架，來自 Factory 公司代表 Tížková，而不是來自 Microsoft、OpenAI 或任何一家開源陣營公司。換句話說，各家公司在演講中使用「工廠」「迴圈」這些詞彙時，其實是在借用或呼應同一套大會層級的敘事框架，各自填入自己的產品語言，但這個框架的原始定義權，屬於這場會議的策展方之一。這也是為什麼同一場大會裡，不同公司對「軟體工廠」實際上可以有完全不同的具體詮釋——因為這本來就是一個尚在被集體定義中的概念，而不是一個已有統一標準答案的技術規格。

兩邊都在講的是同一件事：迴圈化與自動化是共識，分歧在「誰控制迴圈」

把上面幾個爭點放在一起看，其實可以歸納出一個中立的觀察：不論是 Microsoft 的「學習迴圈」、OpenAI 強調的多個代理迴圈疊加做法，還是 Z.ai 主打的長時任務模型，這場大會裡幾乎所有公司都認同「開發流程正在往自主化迴圈演進」這個大方向，這是共識，不是爭點。真正的分歧在於：這個迴圈要跑在誰的平台上、由誰的模型驅動、開發者能不能換掉其中任何一個環節。Microsoft 與 OpenAI 傾向把迴圈與自家平台、自家模型綁在一起呈現；Z.ai 則透過「ZCode 支援所有前沿模型」這個定位，強調工具層與模型層可以分開選擇。這是一組結構性的路線差異，不是技術優劣的比較，企業在評估時應該把這兩件事分開看待。

對台灣企業與開發者的解讀：評估 AI 開發代理平台時，該看哪些指標

把這場論戰的幾個爭點，轉成企業實際評估 AI 開發代理平台時可以用的檢查項目，大致有三個方向。第一，這個平台的「迴圈」設計，是否只能綁定單一模型供應商，還是允許在不同環節替換不同模型——這直接影響未來議價空間與供應商依賴風險。第二，這個平台講的「自動化」，究竟自動化到哪個環節為止：只是程式碼生成，還是像 OpenAI 描述的那樣，連結到工作原因、審查與部署的完整流程；不同深度的自動化，代表的整合複雜度與治理需求完全不同。第三，開源與閉源本身沒有絕對的好壞，但代表不同的維運假設——開源模型给企業更多自行部署與客製化的彈性，但需要自己承擔更多維運責任；閉源平台把維運複雜度收攏起來，但企業對底層模型的掌控度相對較低。這三個指標，跟企業在挑選任何一種多模型接入方案時要問的問題，本質上是同一套邏輯。

FAQ

Q1：「Software Factories」是什麼？為什麼會變成 2026 年這場 AI 大會的主題？

「Software Factories」是 AI Engineer World's Fair 2026 大會的主題，根據 Factory 公司代表 Tereza Tížková 的定義，指的是「整個軟體開發生命週期的自主化迴圈」，包含收集訊號、反應回饋與日誌、優先排序、協調整合，核心理念是讓 AI 代理執行建構工作，開發人員轉為構建那套自動化系統本身。

Q2：Microsoft 的「學習迴圈」跟 OpenAI 強調的多重代理迴圈疊加做法，是同一件事嗎？

不完全一樣。Microsoft 由 Pablo Castro 介紹的 Foundry，定位為「AI 應用與代理工廠」，核心論點是人機協作會產生學習迴圈；OpenAI 由 Alexander Embiricos 與 Romain Huet 談的 Codex 代理，強調的是透過多個代理迴圈疊加、把代理連接到工作內容、工作原因、審查與部署流程的做法。兩者都用「迴圈」描述自動化開發流程，但切入點與強調重點不同，不宜視為同一套設計。

Q3：Z.ai 的 GLM-5.2 跟 OpenAI Codex 路線有什麼不同？

Z.ai 發布的 GLM-5.2 是開源大型語言模型，定位為長時任務的旗艦模型，並搭配工具 ZCode，宣稱支援所有前沿模型；OpenAI Codex 則是綁定在 OpenAI 自家模型與平台生態內的代理產品。兩者的差異在於開源 vs 閉源、以及工具層是否與特定模型綁定，本文不對兩者的技術優劣做評判。

Q4：MiniMax 發布的 M3 有哪些具體技術規格？

目前公開報導對 M3 的具體技術特性著墨不多，僅能確認 MiniMax 代表 Olive Song 在這場大會發布了這款開放權重模型，並接受 Hugging Face 的 Thomas Wolf 訪談介紹。效能表現、訓練規模等細節,本文不做未經證實的推測,建議關注 MiniMax 官方後續公告。

Q5：企業在評估 AI 開發代理平台時，應該優先看開源還是閉源路線？

這場大會呈現的是兩條並行路線,沒有絕對的優劣。企業評估時可以參考三個指標：迴圈是否綁定單一模型供應商、自動化涵蓋到哪個開發流程環節（單純生成 vs 連結審查部署）、以及自身團隊是否有能力承擔開源模型的自行維運責任。答案取決於企業自身的技術能力與治理需求，而非某一條路線天生比較好。

資料來源聲明

本文觸發選題的素材為 YouTube 頻道 AI Engineer 發布的主題演講合輯影片《WF2026: Software Factories & Keynotes ft. Microsoft, OpenAI, OpenClaw, Z.ai (GLM), MiniMax, HF》（約 2026-07-03 發布，觀看數約在 6.9 萬至 8 萬區間，經第三方數據源交叉驗證但非官方精確值）。本文並未採用該影片之逐字稿作為事實依據，而是以 Latent Space 針對 AI Engineer World's Fair 2026（2026-06-29~07-02，舊金山 Moscone West）之現場報導（AIEWF Daily Dispatch 系列），交叉比對其他媒體報導後整理之事實為準，重新組織論述、以「爭點對照」的方式呈現，非對原始報導或影片內容的逐句翻譯。文中對 Microsoft、OpenAI、Z.ai、MiniMax、Hugging Face 各方代表發言之轉述，均以查證清單所載範圍為限；凡查證清單未提供之具體技術規格、效能數字或引言全文，本文一律不予杜撰或延伸。本篇撰寫階段之事實查證，係採信任務指派時提供之已核實事實清單，已由 Jet 於發布前獨立重新查證 Latent Space 原始報導頁面並完成覆核（詳見 front-matter compliance_review 欄位）。

立即行動

不管企業最後選擇的是綁定單一平台的代理迴圈，還是開源模型搭配自建工具層的路線，最終都會面對同一個現實問題：跨模型、跨代理的實際用量，要怎麼看清楚、管得住。AI Token King 目前已上線多模型串接（GPT/Claude/Gemini/DeepSeek/Qwen）與用量查詢基礎版，讓企業在同一個入口彈性使用不同模型，不必把開發流程完全鎖死在單一供應商的生態裡；若企業需要的是更進一步的角色分層、部門配額等企業帳號管理功能，這部分我們會依當下最新開發進度為您說明可行時程，歡迎了解 AI Token King，優先安排後續測試名單。