Devin
共 46 条已发布案例使用了这个工具。
Devin 是 Cognition 的异步软件工程代理，本库 46 条。擅长窄而明确的工单：Slack/Linear 任务变 PR、Electron 迁移、重写 README。边界清楚：研究类任务大多失败，深上下文常把工时烧在不可能的需求上；也有从零搭建象棋对弈和游戏站点、参与月产约 2 万行技术文档流程的记录。有案例记团队月费 500 美元、审查 10–20 分钟/任务。
常见任务场景
- 编程与开发 · 34
- 内容与创意 · 3
- 办公与运营 · 3
- 营销与销售 · 3
- 安全与运维 · 1
工具出处说明
工具名称及关联来自每条已发布案例的 tools 字段，每个案例都保留原始来源。收录不代表厂商背书；报告结果未经独立核验。
使用 Devin 的案例
- 挖掘业务逻辑缺陷并发起修复 PR
随着 AI 代码生成速度的加快，安全团队正面临大量无法处理的发现结果。部分团队发现的安全问题数量增加了 10 到 100 倍，且其中许多是误报。安全团队被困在未能跟上步伐的工具中。扫描器虽然能提供大规模覆盖，但由于无法推理业务逻辑和发现链式漏洞攻击，往往会遗漏关键利用路径。AI 安全工具通常难以对整个代码库进行有效推理。它们都无法验证哪些发现实际可利用，也无法编写修复代码。
- 用 Devin 逐步构建交易页面
建议试点：使用 Devin 逐步构建交易页面。步骤：1. 通过 GitHub 集成连接前后端仓库，让 Devin 克隆并搭建本地环境（需人工提供环境变量）。2. 提供完整 Schema 和数据库结构图，让 Devin 拆解任务并规划实现路径。3. 针对每个子任务创建独立会话，要求 Devin 基于前一个 PR 创建新 PR。4.
- 使用 Devin 将 React MUI 组件转换为 Tailwind
Lumos 工程师使用 Devin 将 React Material UI 组件转换为 Tailwind CSS。他们提供了具体的样式指南，并期望 Devin 生成拉取请求（PR）。人类开发人员审查了输出结果，指出虽然转换准确，但缺乏自动化的代码检查（linting）集成，因此在合并前需要手动修复。
- 跨产品 PR 编写、审查与文档化代码
建议落地方案：通过 Slack、Linear 或 Jira 向 Devin 分配 Bug 修复、功能开发或重构任务。Devin 编写代码并提交 Pull Request 供人工审查。工程师负责批准或拒绝更改，确保合并前的质量控制。此工作流将 AI 编码与标准 PR 流程相结合。
- 将 React Native 到 Swift 的迁移任务拆分给多个 Agent
建议落地方案：使用主 Devin Agent 将 React Native 到 Swift 的迁移任务分解为六个独立模块。主 Agent 启动并行的子 Devin 实例，利用独立虚拟机并发执行每个模块。人类工程师负责定义初始范围，审查主 Agent 的分解计划，并批准最终集成结果。
- 测试 Devin 将 Notion 数据拉取到 Sheets
建议落地方案：配置 Devin 以通过 API 访问 Notion 和 Google Sheets。提示智能体提取特定数据库字段并格式化以便导入电子表格。监控 Docker 容器环境中的执行错误或幻觉步骤。由于源文本未详细说明此任务的具体人工介入协议，人类必须在接受输出前验证数据完整性。
- 使用 Devin 构建并重构计算器 Web 应用
作者使用 Devin 将 Excel 电子表格重建为基于 TypeScript/React 的碳排放计算器 Web 应用。工作流程包括上传表格、定义数据模型，并通过 PR 迭代 UI 和测试。人类工程师在架构决策、重构臃肿代码和验证逻辑方面不可或缺，因为 Devin 在处理 Electron 应用时表现不佳，且需要连接代码仓库才能发挥最佳性能。
- 将 Electron 应用从 Vue 2 迁移到 Vue 3
作者委托 Devin 将基于 Electron 的 Vue 2 生产应用迁移至 Vue 3（使用 Composition API）。Devin 分析了依赖项，提出了计划并执行代码更改，每更新 5 个组件提交一次。人类提供了战略决策（如选择 Pinia 而非 Vuex），并在初期受阻后指示 Devin 跳过包变更审批。
- 使用 Devin 设置每周变更日志并根据 GitHub 问题修复文档
Neon 文档团队使用 Devin 通过 Playbook 自动化每周变更日志设置，并处理 GitHub 问题以创建或修订文档更新 PR。团队还利用 Devin 进行跨文件的术语替换和代码逻辑解释。工程师负责审查 Devin 的输出，特别是针对自动查找替换导致的上下文错误进行手动修正。
- 在公司代码库上尝试使用 Devin 处理 Pull Request
建议落地方案：一家中型科技公司的团队尝试使用 Devin 为其代码库生成 Pull Request。工作流程包括向 Devin 提供代码库访问权限和 PR 需求，期望其提交代码变更。人类开发人员保留在流程中审查所有生成的代码，实际上将该工具视为初级开发者。
- 通过 Devin PR 添加第三方 API 集成
作者委托 Devin AI 实现一个用于第三方令牌生成的后端 API 端点，并提供了文档链接和微服务上下文。Devin 解析请求、制定计划并在几分钟内生成了 GitHub 拉取请求。人类工程师审查了 PR，发现了缺失的身份验证逻辑和风格不一致问题，并通过评论提供反馈。Devin 根据反馈迭代代码，推送新提交以解决问题。
- 开发一款与语言模型对弈的国际象棋游戏
建议落地方案：使用 Devin 开发一款与语言模型对弈的国际象棋游戏。工作流包括定义游戏逻辑，提示 Devin 搭建项目框架并集成 AI 对手，以及审查生成的代码以确保正确性。人类开发者必须主动监控进度，对设计决策提供反馈，并手动测试游戏以确保 AI 响应得当，因为源数据显示 Devin 在复杂任务中可能会卡住。
- 探索代码，编写技术文档
Fern 的独立技术写作者使用 Devin（通过 Slack 中的 Fern Writer）根据代码上下文和 Slack 线程起草文档 PR。在拉取分支后，使用 Claude Code 在本地迭代结构、措辞和更新日志条目。人工负责审阅、编辑并纠正所有 AI 生成的内容，管理信息架构和技术准确性。
- 从零开始构建 Pong 游戏和网站
建议落地方案：使用 Devin 从零开始自主构建 Pong 游戏和网站。AI 会搜索教学内容、制定步骤计划，并在沙箱环境中利用编辑器、浏览器和 Shell 工具执行代码。人类用户通过自然语言提示提供需求，并充当监督者，在输出有误时进行干预和修正。
- 基于数据仓库回答数据问题并构建仪表板
Cognition 使用 DANA（Devin 的专用数据代理）通过 MCP 连接数据仓库（如 Redshift、Snowflake）。用户在 Slack 或 Web 应用中用自然语言提问，DANA 生成 SQL、分析指标并创建 seaborn 可视化图表。工程师审查生成的 SQL 和仪表板以验证逻辑，然后将洞察分享给非技术利益相关者。
- 用一个周末构建并部署应用
建议落地方案：订阅 Devin Core 并提供空白 GitHub 仓库，要求构建展示城市图片、天气和新闻的仪表盘。Devin 在云端 VM 中搭建 FastAPI 后端和 React 前端，配置环境变量与路由，添加占位集成并进行本地测试。人工角色仅限于初始订阅、仓库提供及最终验证。
- 将客户支持工单转化为已调查的拉取请求
建议落地方案：将 Pylon 支持工单与 Devin 集成，自动为报告的错误生成经过调查的拉取请求。该工作流涉及 Devin 分析工单上下文，在代码库中识别根本原因，并提出修复方案。工程师保留审查和合并这些更改的最终权力，确保人工监督在开发过程中保持核心地位。
- 让智能体从零开始创业
建议落地方案：为 Devin 设定从零开始创业的目标。提供 @tryramp 卡、带有 @ElevenLabs 语音的电话号码、@agentmail 收件箱、@stripe 账户以及带有共享记忆的 @github 仓库。智能体自主执行任务，但关键审批需人工介入，尽管源文本未详细说明具体干预点。
- 使用 Devin 构建应用、调试代码仓库并搭建 CI/CD
建议落地方案：使用 Devin 自主执行端到端软件任务，如构建全栈应用、调试代码仓库及搭建 CI/CD 流水线。该代理在 Linux shell 环境中运行，访问 GitHub、浏览器和命令行工具以编写、测试和推送代码。开发人员必须审查输出结果，因为源文本指出该工具类似初级工程师，在复杂构建或遇到阻碍时需要人工监督。
- 在应用中逐项点击，验证自己的工作成果
3 个月前，我加入了 Cognition，帮助打造软件工程的未来。自作为首位 AI 软件工程师发布以来，Devin 已经取得了长足进步。看到背后的团队每天都在实际使用 Devin，我感到非常震撼。其中一点尤其引人注目：Devin 会使用自己的计算机，在云端自主验证工作成果。从验证我们的 Slack 集成，到测试复杂的 Windsurf 功能，团队始终有一大批 Devin 实例处于测试模式。
- 使用 Devin 更新 AI CLI 工具的文档页面
建议落地方案：使用 Devin 更新 AI CLI 工具的文档页面。工作流包括接入仓库、配置依赖安装和代码检查，并通过聊天界面分配任务。Devin 利用包含 shell、浏览器和编辑器的工作区执行更改。人员角色包括审查自动生成的仓库笔记、在执行过程中提供实时反馈，以及在最终确定前验证输出。
- 寻找工作、定制简历并自动申请
用户利用Devin自动化求职流程，根据时间安排和薪资期望筛选职位，生成定制简历并跟踪申请状态。工作流包括输入个人约束条件，由代理执行搜索、起草和跟踪任务。由于源文本未详述中间审批步骤，人类参与主要限于发起任务和审查最终结果。
- 将 Slack 反馈转化为 PR 并调试基础设施
作者使用 Devin 对专用 Slack 频道中的应用反馈进行分诊，用户通过聊天解决问题，工程师则审查并合并由此产生的 PR。Devin 还利用只读权限调试基础设施，并允许非技术人员与工程师共同编写 PR。人类工程师保留在最终合并和非技术人员线程监督中的参与权。
- 将本地 CLI 编码会话交接给 Devin
建议落地方案：首先在本地机器上使用 Devin CLI 启动编码会话，让智能体探索代码库并建立上下文。随后使用 /handoff 命令将当前活动会话迁移至 Devin Cloud。交接完成后，智能体无需重启任务或重新解释上下文即可继续工作，用户仍可在该会话中切换模型。
- 根据电子表格构建姓名与人脸配对问答网站
Scott Wu 使用 Devin 根据包含演讲者姓名和照片的 TSV 文件构建了一个适合移动设备的 React 姓名配对游戏网站。Devin 制定了计划，创建了目录并部署了第一个版本，但该版本错误地显示了照片标签。Wu 用通俗英语提供反馈，要求隐藏标签直到用户作答，重新设计按钮样式并添加连续答对计数器，Devin 随后实施并重新部署。
- 测试 iPhone 游戏并报告通过项
建议落地方案：使用运行在 GPT-6 Astra 上的 Devin（Cognition 的云智能体）在模拟器中测试 iPhone 游戏（如 Otter Run）。智能体执行测试场景并生成两个输出：游戏运行录像和包含通过检查项及未测试区域的报告。工程师审查这些输出以评估软件行为并识别覆盖缺口。
- 将客户消息分类为工单和回复
该工作流监控特定的 Slack 线程以检测新的客户消息。一旦检测到新消息，系统会触发 Devin 会话进行调查，在 Linear 中创建对应的工单，并起草回复。人工操作员通过仪表板审查并批准或编辑起草的回复，确保在发送给客户前对自动化生成的语言进行质量控制。
- 使用 Devin 构建并测试一个简单的 API 端点项目
作者向 Devin 下达了构建包含特定 CRUD 端点的 Node.js Express API 并使用内存存储的任务。Devin 自主完成了规划、编码、依赖安装及 curl 测试，耗时约 4 分钟。在后续的分页功能开发中，Devin 实现了逻辑但选择了与现有代码库不一致的模式，作者需审查输出并指示重构。人工介入对于验证代码一致性和纠正架构不匹配至关重要。
- 跨工具使用 Devin 交付更多 Pull Request
用户用 Devin AI 替换了手动集成的 Open Inspect、Codex 和 Linear，以处理远程优先的工作流。Devin 在 iPhone、Slack、浏览器、GitHub 和 Linear 上运行，以自动化编码任务。人类角色涉及审查输出和管理订阅，但具体的审批步骤未详细说明。
- 使用智能体执行自由职业网站外联
用户将 Devin 配置为自主智能体，接入 GitHub、Linear 和 Slack 以管理自由职业网站开发业务。Devin 负责搜索潜在客户和自由职业平台上的项目，并利用预建网站模板执行定制化的冷启动外联，以推销网站构建服务。人类角色主要涉及在 Devin 的“GitHub 大脑”中设定初始流程和决策，并进行持续监督，但源文本未详细说明对单条消息的具体审批步骤。
- 构建并部署生命游戏模拟网站
建议落地方案：使用 Devin 构建并部署一个交互式生命游戏模拟网站。该智能体规划复杂工程任务，使用沙盒开发工具（shell、代码编辑器、浏览器），并根据用户请求逐步添加功能。人类角色：审查进度报告，对设计选择提供反馈，并批准最终部署到 Netlify。
- 重构遗留 jQuery 插件并修复其 Bug
作者使用 Devin AI 重构了一个 2017 年的 jQuery 退出意图插件，旨在移除依赖并现代化代码。Devin 克隆了仓库并执行了更改，但生成的代码存在弹窗无法关闭和残留 console 日志等 Bug。作者手动识别错误，指示 Devin 修复，并在合并前审查了生成的 Pull Request。
- 提取过去一周未回复的邮件
作者尝试构建一个自动化个人助手，使用 Gmail API 筛选过去一周未回复的邮件。Devin 在初始身份验证阶段遇到困难，作者转而使用 Cursor 手动编写了认证代码。认证通过后，Devin 自主研究 Gmail API 文档，实现了针对“主要”收件箱的过滤逻辑，构建前端并部署到公共链接。随后，Devin 继续工作，将应用连接到 Supabase 后端以持久化“忽略”操作。
- 将迁移和 bug 修复工单交给编码智能体
建议落地方案：将定义明确的工单（如迁移、Bug修复）从Jira/Slack分配给Devin。Devin自主探索代码库、编写代码、运行测试并创建Pull Request。人工角色：在编码开始前审查实施计划，并在测试通过后批准/合并最终PR。
- 将狭窄的代码变更任务交给 Devin 处理 Pull Request
团队将 Devin 连接到 GitHub 仓库，使其扫描代码库并推断构建步骤。他们通过文本界面分配范围狭窄的任务，例如修复 API 边缘情况或改进前端格式。Devin 制定计划、执行更改、运行代码检查/测试，并创建拉取请求供人工审查。作者指出，虽然它在处理单组件更改方面表现良好，但在需要协调数据库、API 和前端层的全栈任务中表现挣扎。
- 使用 Devin 修复生产环境布尔标志位 Bug
建议落地方案：审查者指派 Devin（基于浏览器的编码代理）修复生产代码库中的特定布尔标志位 Bug。Devin 定位该标志位，将其从 true 翻转为 false，并创建拉取请求（PR）。人工审查者必须检查 PR 差异，以验证正确性并识别任何非预期的修改。
- 尝试使用 Devin 处理研究任务（大多失败）
Answer.AI 团队在 20 个真实世界任务中测试了 Devin，包括数据集成、研究和代码修改。他们通过 Slack 或网页界面发起任务，并在 Docker 环境中监控 Devin 的异步执行。人员参与仅限于提供凭证、审查输出以及决定何时放弃失败的尝试。工作流程涉及分配具体的编码或研究目标，并等待 Devin 生成代码或文档。
- 将 Notion PRD 转化为范围明确的 Linear 工单
建议落地方案：使用 Devin 将 Notion 产品需求文档（PRD）转化为范围明确的 Linear 工单。工作流程涉及将 Devin 指向特定的 Notion PRD，然后解析需求并为每个工作包在 Linear 中生成单独的工单。需要人工参与以审查生成的工单的准确性和范围，然后才能将其接受到冲刺待办事项列表中。
- 生成内部仪表板和数据迁移脚本
建议落地方案：一位中型 SaaS 初创公司的高级后端工程师使用 Devin 生成内部仪表板和数据迁移脚本。Devin 在沙箱环境中异步工作，通过 Slack 或工单接收任务。团队将输出视为起点而非生产级代码，需人工审查后集成。
- 在架构重构后重写 README
建议落地方案：向 Devin 提供代码仓库和分步提示词，让其扫描代码并阅读旧 README。Devin 提出标题大纲并等待“CONFIRMED, PROCEED”指令。随后，它模拟新开发者遵循自身设置说明以报告缺口。作者提供仓库和提示词，并审查输出结果。
- 测试 Devin 在集成、迁移和安全审查中的表现
Answer.AI 团队对自主 AI 软件工程师 Devin 进行了测试，涵盖 API 集成、代码迁移和安全审查等 20 个真实任务。他们通过 Slack 发起任务，监控 Devin 的 Docker 环境，并在需要时提供凭据。当 Devin 生成不可用或过于复杂的代码时，人类开发者介入补救，通常转而使用 Cursor 进行逐步实现。
- 一夜之间将 Figma 设计稿搭建成 WordPress 营销网站
用户通过 MCP 将 Devin AI 连接到 Figma 设计文件，以生成具备内容管理功能的 WordPress 营销网站。智能体在夜间执行构建任务，输出了初始代码和结构。人类角色包括定义业务需求、配置工具连接以及审查未完成的输出结果。
- 将 Slack 和 Linear 任务转化为 PR 并修复 CI
Cognition 工程师将 Devin 集成到 Slack、Linear 和 GitHub 中以处理编码任务。用户通过 @Devin 发送请求或附加截图，提示代理分析代码库并生成 Pull Request。Devin Review 整理差异并自动修复 CI/lint 错误，直到检查通过。工程师通过审查和合并生成的 PR 保持控制，而非技术人员无需 Git 知识即可通过聊天贡献代码。
- 在屏幕上测试功能并合并已修复的 PR
作者从构建自定义代码工厂转向使用Devin进行云端开发。工作流程包括Devin的“Test App”功能，该功能会屏幕录制并叙述其测试过程，自动识别并修复错误。当Pull Request准备就绪时，作者输入“!land”将其合并到main分支，Devin会自动处理最终审查和修复。人类参与仅限于启动流程和确认合并命令。
- RunLLM：让 Devin 提交小范围代码修复
团队通过文本描述向 Devin 分配范围狭窄的代码修复任务（如 UI 格式调整、API 边界情况）。Devin 扫描 GitHub 仓库，修改代码，运行检查/测试，并提交 Pull Request。工程师审查 PR，通过评论提供反馈以进行修正，并在成功后合并。人类参与对于定义任务边界和验证输出至关重要。
- Fern 技术写作者如何让 AI 起草文档：每月约 2 万行新文档背后的人工审核
1. 在 Slack 中向 Fern Writer 提供工程讨论。〔备料〕 2. Fern Writer 起草文档修改并提交 PR。〔—〕 3. 作者在本地用 Claude Code 继续调整。〔监督·审核〕 4. 作者审阅和编辑每页文档；工程师提供技术内容并纠正错误理解。〔审核·异常处理〕