贾扬清再创业，造了一支AI军团，让GLM-5.2提速534%

让GLM-5.2“飞起来”：推理速度暴涨534%

贾扬清的新公司Intent Lab推出的自主AI团队Fleet，首战就瞄准了英伟达的官方优化工具TensorRT-LLM。在GLM-5.2模型上，Fleet从内核、运行时、通信和推测解码四个维度进行了全自动优化。内核层面通过AI生成的PTX/SASS汇编码实现融合，运行时利用H2D批处理做到零拷贝稳态解码，通信层将集合通信、残差相加和RMSNorm三合一，最终自研的DSpark推测解码一次提出多个候选Token。结果在两台Grace Blackwell节点上，输出速度从102 token/s飙升至647 token/s，性能提升6.3倍，创下GLM-5.2全球最快推理纪录。整个过程没有人类工程师介入一行代码。

一条指令，从零造出SQLite数据库

Fleet的第二个任务仅凭一句提示词——“构建一个与SQLite兼容的SQL数据库引擎，使其通过全部sqllogictest测试用例”——在没有参考任何现有代码和文档的情况下，自动扮演了架构、编码、测试、审查、QA等全部角色。整个过程中，Fleet产出8720万个token，其中近四成用于测试用例，两成是设计决策，实际编码只占38.6%。最终它通过了600万项验收测试，构建了一个完整的、可验证的数据库系统。开源模型版本的成本仅2368元人民币，比一线城市程序员一天工资还低。

专为AI Agent定制的分布式文件系统AgentFS

传统云存储如EFS、S3FS在面对AI Agent高频目录创建、百万小文件读写、反复stat/checksum等操作时性能崩溃。Fleet没有抄袭现有方案，而是重写底层协议栈，采用状态机建模、etcd一致性协议和轻量级元数据索引。在mdtest中，AgentFS的目录创建速度是EFS的45倍，最关键目录状态查询操作（ls -la）更是达到EFS的626倍。更厉害的是，Fleet通过形式化验证完成了约190万个状态检查，捕获并修复了一个由编程Agent引入的分布式竞态Bug——两个Agent同时删除同一文件可能触发数据损坏。修复后系统通过了300+集成测试、故障注入和模糊测试，达到了生产级可靠性。

从“一次做一套系统”到“一次产出一千套系统”

贾扬清在社交平台上解释转向Intent Lab的核心思考：过去数十年，团队亲手搭建分布式AI系统，一次只能打造一套；现在他想构建一套系统，可以批量生成上千套软件。他认为当前模型写代码速度飞快，但“代码可运行”与“可放心投入生产并维护多年”之间存在巨大差距。这种差距不是模型的局限，而是缺少一层能力——把模糊意图变成真实设计、检查结果是否站得住、让系统持续演进的全自动生产层。Fleet正是填补这一空白的尝试。从Caffe、PyTorch到Lepton AI，再到如今的Intent Lab，贾扬清始终在降低算力使用门槛，而这一次，他直接让AI成为一支能独立完成工程全流程的“军团”。