SAS AI Coding量化成效與成本情境工程實戰經驗
SAS全球研發資深副總裁 Jared Peterson 於 SAS Innovate 2026 大會分享 AI Coding 實戰，重點為量化AI工具成效與成本，並揭露情境工程（Context Engineering）在 Agentic AI 中的核心地位。
量化機制
SAS建立追蹤比較機制，衡量AI開發費用相對程式碼品質與合格數量：
- 主要工具：GitHub Copilot（大部分開發者）＋ Claude Enterprise（Power users）
- 追蹤指標：工具使用率、AI生成程式碼接受比例（Accepted lines of code）、雲端成本增幅
- 關鍵發現：使用Claude產出較高品質的工程師，原因可能是工程師AI素養更強，而非模型本身更優
規格驅動開發（SDD）
先定義需求規格 → AI生成程式碼 → 工程師調整迭代。與line-taiwan同期分享的SDD框架理念一致。
Agentic AI 架構層次
| 層次 | 說明 |
|---|---|
| Copilot | UI介面，使用者互動層 |
| AI Agent | 執行邏輯與任務協調 |
| LLM | 理解使用者意圖 |
| MCP伺服器 | 工具選擇與呼叫 |
常見問題：代理選錯工具、誤解需求、多代理協作失常。
情境工程（Context Engineering）
透過指令、文字描述和上下文限制，縮小LLM可使用的資訊空間，讓模型更易做出符合預期的選擇。
- 每個MCP工具附帶文字描述供AI判斷是否使用
- 持續優化上下文資訊，降低誤判率
- SAS幾乎所有Agentic AI產品都大量採用
確定性 vs. 生成式AI整合
SAS主張不完全取代傳統系統，而是依需求整合兩種技術（可信任AI）：
- 金融、醫療、政府等高監管領域 → 傳統確定論系統（可解釋、可驗證、可重現）
- 彈性任務 → 生成式AI
相關實體
- sas-institute — SAS Institute 公司