极狐 GitLab Orbit 正式亮相,研发知识图谱让 Agent 看懂全流程

极狐GitLab
2026年11月17日
12000
分享:

极狐 GitLab Orbit 正式亮相,研发知识图谱让 Agent 看懂全流程

今天,我们正式介绍 GitLab Orbit——一款 AI 原生的研发知识图谱产品。它基于 GitLab 平台已有的事件与关系自动建图,通过自然语言查询,把过去依赖人工梳理的研发知识,变成 Agent 与人都能直接查询的事实层。

一句话概括它的价值:过去需要多次 API 调用、人工拼接中间结果的问题,现在由一次图查询完成。

01 为什么是现在:上下文成了新的瓶颈

报告显示,88% 的开发者已在工作中使用 AI 编码工具;同一时间,xAI 的开发者公开呼吁为 AI Agent 提供结构化的代码知识图谱。两个现象指向同一个问题:AI 编码工具在代码生成环节已经比较成熟,但在企业核心研发流程中仍然难以深入。

原因不在模型能力,而在于上下文。目前 Agent 能访问的通常只有当前文件和当前会话,看不到提交历史、流水线配置和安全扫描结果,也看不到组织的评审规则——而这些恰恰是企业研发活动的主要依据。Gartner 在相关预测中指出,到 2027 年,60% 的 AI Agent 项目将因缺乏“AI 就绪数据”而失败。

Agent 进入核心流程面临五类上下文障碍:缺乏全局视野、调用效率低、无法持续学习、缺少业务上下文、权限治理缺失。它们的共同点是:根源都在上下文供给,而非模型能力。

行业的应对路径也已经清晰:Anthropic 开源 MCP,为 Agent 访问外部数据与工具提供统一协议;OpenAI 在 Agents SDK 中原生支持 MCP;Palantir 以业务本体驱动企业 AI 落地。共同指向是“语义下沉”——业务规则从各 Agent 的提示词中下沉到平台层,一处维护、多处复用,成为可长期积累的组织资产。

研发场景同样需要这一层语义,载体就是研发知识图谱。GitLab Orbit 应运而生。

02 GitLab Orbit 是什么

研发活动本身就是一张关系网络:需求产生提交,提交触发流水线,扫描在流水线中检出漏洞,漏洞最终追溯到具体代码与责任人。Orbit 把这张网络结构化,Agent 沿关系查询,而不必逐文件推断。

▎覆盖五大领域,一次查询跨域遍历

  • 代码:语义/依赖/文件

  • 交付:流水线/Job/构件

  • 安全:漏洞/扫描/检出

  • 规划:Epic/Issue/工作项

  • 团队:用户/评审/贡献

五域共享同一张属性图,跨域关系(如“漏洞影响哪些文件”)都在图内。节点是研发对象,边是对象之间的关系,每个节点都带有可直接查询的属性。

▎六层架构,开箱即用

  • 客户端:同一事实层,多通道访问——AI Agent(经 MCP)、Web UI、GraphQL API、CLI

  • 访问控制:每个请求都经过授权过滤——认证(SSO/OIDC/SAML)+ 查询时授权过滤

  • 图查询服务:返回结果自带访问控制——查询规划、权限裁剪、结果组装

  • 图存储:实体 + 关系 + 属性——ArangoDB

  • 知识图谱本体:研发世界的“通用语言”——节点/边 schema、语义关系、版本化演进

  • 数据源:依托 GitLab 事件框架——GitLab 实例数据(MongoDB)准实时同步

研发域的本体建设有个独特优势:Merge Request、Issue、Pipeline、漏洞等研发对象天然具备明确的实体和关系,系统可以自动完成映射与建图,不需要从零设计 schema,启用功能开关后即可开始验证。当多数业务域的本体建设还停留在设计阶段时,研发域已经具备开箱即用的条件。

权限是贯穿其中的主线:所有查询都经过实时授权过滤,行级裁剪确保用户只能看到自己本就有权访问的内容。底层 MongoDB 到 ArangoDB 的准实时同步依赖 GitLab 内部事件框架,无需修改 GitLab 核心代码。合规方面,SOC 2、ISO 27001 等认证均已覆盖。

03 开发者的一天,四类高频场景

一 变更影响分析(Blast Radius)

评估一次代码变更的影响范围,过去依赖资深工程师的经验。现在,Agent 沿图谱完成一次影响面遍历,把受影响的服务、调用方和相关评审人一次列全,变更评审从依赖经验转为依据图谱。

二 评审人推荐

基于 User 与 MergeRequest 的关系聚合,“谁最熟悉这段代码”“谁的评审量最大”一次查询即可得到答案,评审人选择有了明确的数据依据。

三 漏洞端到端追溯

“漏洞在哪个版本引入、由哪次扫描发现、影响了哪些后续 MR”——过去需要跨多个系统人工追查,现在沿“漏洞 → 流水线 → MR”的关系链一次追溯到底,位置、检出扫描与关联流水线完整呈现。

四 工程效能度量与合规审计

一个真实的例子是 SOX 审计:某次审计要求回答“谁在未评审的情况下直接向主分支提交过代码”,过去需要跨多个系统人工对账数周;通过 Orbit 的图查询,当天就给出了答案。

上述问题均来自 GitLab 官方文档的示例查询,每一个都可以在 Orbit 中直接复现。

04 自部署形态,数据不出企业环境

GitLab Orbit 以自部署(self-managed)形态交付,MCP Server 运行于客户自身的 GitLab 实例旁,Agent 与脚本的调用均在内网完成,图谱的存储与查询不出客户环境。

该形态适合对数据主权与合规性要求较高的私有化环境。身份与授权直接对接现有的 GitLab SSO 与 RBAC 体系,无需新增一套权限系统。

▎与开源 MCP 方案的本质差异

开源工具(如 GitMCP)可以把仓库或文档站点封装成 MCP 服务,思路是“按仓库隔离”:隔离依赖部署边界,但查询本身通常不做实时的行级权限过滤。

Orbit 把权限检查下沉到图查询层:MCP 请求携带 OAuth 访问令牌,每个图查询都进行实时授权过滤,对超出权限的结果执行行级裁剪。“不应可见”的判断发生在查询执行的每一行结果上,而不是部署边界上。

能力层级也不同:开源代码图工具主要回答代码导航问题;当问题涉及“这个漏洞由哪条流水线检出、影响了哪些 MR”时,需要的就是覆盖代码、交付、安全、规划、团队的完整研发关系网络。

05 五条通道,一个真相源

  1. MCP Server 供 AI Agent 直接使用

  2. GitLab Duo Agent 在对话中原生调用

  3. Web 界面 可视化探索与图遍历

  4. GraphQL API 面向既有工具链集成

  5. CLI 与脚本 覆盖自动化场景

五条通道共享同一张图、同一套授权过滤,团队可以按自己的工具链选择入口,事实源始终唯一。

06 官方实测:时间 ↓74%、Token ↓65%

以下数据来自 GitLab 内部测试:使用自研 Agent(GitLab Duo Agent,基于 Claude Code)处理真实研发任务,对比有无 Orbit 图谱支持的结果:

指标

无 Orbit

有 Orbit

变化

任务完成时间

11 分钟

2 分 51 秒

↓ 74%

Token 消耗

44,500

15,700

↓ 65%

首次尝试成功率

63%

85%

↑ 35%

三项改善背后是同一个原因:基于图谱事实的查询,替代了逐文件检索、整文件上下文加载和事实推测。以上数据为 GitLab 官方公测环境的内部测试结果,实际收益因团队场景而异。

从行业视角看,研发知识图谱的意义不止于效率数字。当上下文不再依赖人工粘贴,AI 才能稳定参与评审、合规、发布等核心研发流程。

结语

当上下文的主要消费者从人变成 AI Agent,工程知识就需要从“分散在各个界面中”转向“可查询的研发本体”。这正是 GitLab Orbit 要解决的问题。

从 Git 托管到 CI/CD,再到 DevSecOps 平台,GitLab 的产品路径始终是整合软件交付的各个环节。研发知识图谱是这条路径在 AI 阶段的延伸:当执行者从人扩展到 Agent,被整合的对象也从流程扩展到了知识本身。随着图谱成为团队默认的上下文层,AI 在研发中的角色也将从辅助编码的工具,逐步演变为能够参与研发流程的执行单元。

🚀 GitLab Orbit 已上线