那个「永远排不上队」的迁移清单
每个工程团队都有一份「需要在所有地方发生的改动」清单：升级一个依赖、改一处废弃 API、修一个跨全仓库的安全漏洞。这些项目之所以迟迟没人接，是因为它们要触达成百上千个仓库，而没有任何一个人能把它装进脑子。Sourcegraph 的 Batch Changes 产品多年来就在帮大客户做这件事——为受影响仓库创建 PR 并追踪到全部合并。2026 年 9 月 14 日，Sourcegraph 宣布在其上叠加一层协调智能体，取名 Agentic Batch Changes，正式可用（GA），面向 Sourcegraph Cloud 客户。
一句话，跨上千仓库
Agentic Batch Changes 的承诺很简单：你用一句话描述变更，协调智能体负责圈定仓库、制定方案、执行变更、读 CI 日志、修到自己变绿。它支持 GitHub、GitLab、Bitbucket Server/Cloud、Azure DevOps 与 Gerrit。CEO Dan Adler 的说法很直白——每个工程负责人手里都有一串「需要在每个地方发生」的改动，那些正是永远招不到人的项目；Batch Changes 每年已为超大型企业的客户合并约 50 万个 changeset，Agentic Batch Changes 现在让这份工作自己规划、并适配每个仓库，Beta 期间早期采用者已经合并了近 1000 个 changeset。你描述一次变更，它一直干到 PR 准备好合并为止。
闭环五步：从圈定到合并
它的工作流是一个闭环五步。Scope：协调智能体用代码智能与 Deep Search 在已索引的代码库里找出所有需要改的仓库，并产出计划。Execute：先在单个仓库上迭代打磨方案，验证可行后再横向铺开。React：CI 失败时读日志、推补丁。Iterate：持续跑到 PR 达到可合并状态。Check in：卡住了就问人，人可随时插话改方向。Engineers 在执行过程中能看到实时生成的 diff，并在每个 changeset 合并前审查、批准。这把「大规模代码变更」从一次性脚本，变成一条带反馈回路的智能体流水线。
工具路由：机械改动走脚本，判断改动才交编码智能体
一个值得注意的设计决策是工具路由。协调智能体对每部分计划判断：这个改动需要编码智能体，还是更常见地，只需要一段脚本。机械性改动（比如文本替换、配置批量更新）写成确定性脚本，跨所有目标高效套用；需要判断的改动（比如废弃 API 替换、内部风格迁移）才委派给 Claude Code 或 Codex，并附上仓库级指令与通过 Sourcegraph MCP 提供的代码库上下文。这个路由是有意的——避免为同一个改动反复付费调用编码智能体一百次。换句话说，智能体负责「决定怎么改」，脚本负责「批量改」，各用所长。
真实客户：Mercari 的 80 个仓库与 Canva 的 50+ PR
公开客户数据里，Mercari 的 Patrick Klitzke 用一个 prompt 处理 GitHub Actions 环境变量注入漏洞，随后扩展到全公司，找出约 80 个受影响的仓库；Canva 的 William L. 用它在一个 Bazel monorepo 里跨仓库提交并合并 50 多个 PR，完成一次库迁移。两人的共同点是：人类仍在合并线前审查并批准每一个 changeset。Canva 的例子里，网页 UI 让每个 PR 及其状态一目了然，否则团队要么在管巨大的 PR，要么在管表格。这两个案例说明，Agentic Batch Changes 的价值不在「替人合并」，而在「把跨千仓的迁移变得可追踪、可审查、可批准」。
人类仍在合并线前
必须强调，这不是无人合并。设计上，工程师在合并前审查并批准每一个 changeset；智能体在需要澄清时会暂停、等人类输入。Sourcegraph 把「信任」写进流程：先在少数仓库上验证，再铺到数千个，避免突然炸出一堆 PR；每个 changeset 在合并前都经过人审。这与「让 AI 直接合并全公司代码」是两种路线——前者把智能体当编排者，人当闸门；后者把智能体当执行者，风险集中。对受监管或大型组织，前者更可被采购与审计接受。
按合并计费：把信心写进定价
随 GA 推出的还有按结果计费（outcome-based pricing）：你为合并进代码库的每个 changeset 付费，而不是按 token、按席位或按尝试次数。如果它开了一个 PR 而你的团队决定不合并，你不用付费。Sourcegraph 解释这个定价方式的理由很直接——这是表达「我们对这份工作有信心」最清楚的方式，也让你的开销能对应到一件具体的事：一个真正落地的改动，而非对算力用量的预测。对买家，这意味着可以把这笔支出和「一次真实迁移」对账，而不是和「跑了多少智能体」对账。
结语
Agentic Batch Changes 把「一个人的迁移」扩到了「上千仓库」。它的关键不在又多了一个编码智能体，而在把协调、路由、验证、追踪与人工闸门拼成一条生产级流水线，并让机械改动回归脚本、判断改动才上智能体。对维护超大型代码库的组织，这类工具指向一个趋势：智能体最该接管的，不是写某一行代码，而是「让同一处改动，安全、可审计地抵达每一个该改的地方」。