How we built Triage Intelligence
核心观点： Triage Intelligence 使用搜索、排名和基于 LLM 的推理来提供建议——利用现有 backlog 作为数据集，理解过去类似工作如何组织。
关键亮点
1. 核心原则
- 信任： 如果你要根据 AI 生成的建议采取行动，你需要看到它们来自哪里并相信其准确性
- 透明： 让模型的推理可见，以便团队可以验证其输出并随着时间的推移改进
- 自然集成： 让功能感觉是 Linear 的自然延伸，而不是附加组件
2. 技术架构
搜索系统演进
- 从基本的基于关键词的系统迁移到更通用的语义后端
- 使用向量搜索和语义相似性检测相关 issue
- 新的搜索系统从 backlog 中浮现更好的候选 issue
模型选择
- 第一版： 小模型如 GPT-4o mini 和 Gemini 2.0 Flash
- 严格范围的 prompts 和刚性工作流程，在简单情况下表现良好
- 但在需要上下文敏感、细微决策时失败
- 升级版： 更大的模型如 GPT-5 和 Gemini 2.5 Pro
- agentic 方法：模型可以从 Linear 数据中拉入任何额外上下文
3. UI 设计
- 速度挑战： Linear 核心原则是速度，但更大的前沿模型运行多步骤推理和匹配过程
- Triage View： Triage Intelligence 位于专门的模块中，可见但不会在已经很密集的屏幕上增加噪音
- 信任设计： 悬停在建议上会显示模型的推理和替代建议
- 思考面板： 显示模型的完整研究trace：它拉入的上下文、所做的决策
4. 未来路线图
- 更多自动化： 基于更丰富的上下文做更多决策
- 新能力： 除了 triage 支持，还将添加新能力，包括使用 LLM 起草项目和 initiative 更新
- 渐进式自动化： 用户可以选择自动应用某些类型的建议
实用价值
这篇文章提供了关于：
- 如何构建生产级 AI 产品功能
- 小型模型 vs 大型模型的选择权衡
- 如何设计可信赖和透明的 AI UI
- agentic 方法的实际实现