让代码审查从 Agent 动笔前开始
编码 Agent 加速产出后,超大 PR 会让人工审查成为交付瓶颈。作者提出在编码前限定任务单元大小,并充分质询任务方案,以减少后续审查负担。
AI 深度解读
AI 把代码写得更快,却把压力推到了 Code Review:有人交出 40,000 行的 PR,有人干脆不再读代码。作者的判断是,最有效的改进发生在编码之前:先确定一次交付多大的工作,再把需求、风险和关键决策问清楚。
这篇文章值得读的地方,是它把「审查太慢」拆成了工作划分、事前讨论和自动检查三个问题。它也提醒我们:给 PR 接上 AI reviewer,并不会自动获得可靠的交付流程。
PR 太大,问题往往出在任务交给 Agent 的那一刻
作者引用的几组材料指向同一个矛盾:产出增加,不等于交付能力同步增加。
DORA 的 2025 年报告把 AI 描述为放大器:采用 AI 的团队交付更多,稳定性却仍在下降。Salesforce 工程团队观察到,AI 生成代码让 PR 超过 20 个文件、1,000 行;最大的那些 PR,审查时间反而不再增长。他们把这个现象解读为审查者已经无法深入参与,但这仍是对行为的推断。
另一项针对 GitHub 上超过 33,000 个 Agent 编写 PR 的研究发现,大 PR 更难被合并,维护者反复要求缩小改动。原文还引用 Microsoft Research 的早期研究:开发者把找缺陷视为审查的主要目的,但实际评论中,只有一小部分涉及缺陷,而且多是局部问题。
代码审查原本就不擅长挽救错误的需求理解和任务划分。Agent 只是让这类问题堆积得更快。
作者因此把审查能力提前作为任务设计的约束:一个审查者,能不能在一次连续的审查中,从头到尾理解这次变更?
任务大小应该受人的理解能力约束。
这也不等于把工作切得越碎越好。整个功能一次交给 Agent,可能得到 40,000 行 PR;每个小故事单独开 PR,又会制造频繁的上下文切换,也可能损失新模型处理长任务的效率。
作者还建议观察生成与审查的时间比例。例如 Agent 做了 4 小时,人要审 2 小时,审查耗时已经达到生成耗时的一半,后续返工还会继续累加。这是示例,不是作者测出的团队平均值,也不能直接当成人力成本比较。
DORA 给出的尺度可作参考:批次应能在几小时到一两天内完成;完成并检查超过一周,就太大了。具体落在哪里,仍要由工作性质和审查者能力决定。
编码前先追问,比写完以后争论便宜
作者团队允许 Agent 偏离技术规格,但偏离需要批准。此前,这些申请经常直到 PR 阶段才出现,最后都挤到同一个审查者那里。
他们的调整是,把偏离、疑问和关键选择提前处理。操作 Agent 的开发者在编码前就能取得答案,审查阶段也少了一轮重新讨论。
作者称这个过程为 grilling,可以理解为对方案连续追问:
- 需求里哪些地方有歧义,哪些条件还没写出来?
- 这个功能最容易在哪里出错?
- 它会触碰哪些系统边界?
- 哪些技术选择需要人来拍板?
Matt Pocock 的 grill-me skill 用持续访谈追问计划中的分支;原文也提到,Anthropic 的 Claude Code 指南建议先让 Agent 询问边界情况和取舍,再编写规格。重点不是多产出一份文档,而是在改方向还便宜的时候消除分歧。
但前置讨论也有代价。Birgitta Böckeler 更愿意看代码,而不是一堆 Markdown 文件;作者认可开发者等待文档的成本。他的回应是,人仍要理解准备构建什么,也要适度理解实现方式,AI 可以帮助形成这种理解。
Mitchell Hashimoto 的「whiteboard defense」提供了一个实用标准:对于已经交付给客户的系统,负责人应能解释为何选择某个方案、恶意参与者出现时会怎样、系统会在哪里失效。不要求逐行熟悉代码,但要能为关键决策辩护。
这个标准针对面向客户的工作。概念验证和演示可以放宽,没必要用同样的追问强度。
作者真正担心的是:即使模型比人更擅长理解某些需求,人若完全不理解业务和技术,就无法判断模型漏了什么。最后的审查,也很难补回最初缺失的认识。
自动检查、AI 和人,各自应该检查什么
任务边界明确、关键问题解决以后,审查才有条件变轻。作者把后续检查分成三层。
第一层是机械检查,包括单元测试、集成测试、有实际价值的端到端测试、静态分析、依赖与 CVE 扫描,以及密钥泄露检测。他建议把这些检查放进 pre-push hook,尽量在推送前拦住问题。
除了代码风格,他还尝试更严格的 linter,约束代码规模和模块边界。他的一些应用采用 Feature-Sliced Design(FSD),让工具检查功能切片之间的依赖规则,减少人和模型重复推理架构约束的成本。
第二层才是 AI reviewer。
作者最初接入的审查器只看 diff,结果要么评论过多,要么每轮重新争论已经决定的方案。后来有效的调整是:把编码 Agent 使用的技术设计和规格,也交给审查 Agent,并明确要求跳过机械检查已经覆盖的内容。
这样,AI 才有依据判断实现是否符合约定。至于审查范围如何划定,作者承认需要持续调试,而且项目之间、团队之间会不同。
第三层是人,重点看整体结构、业务目的和代码库的一致性。
原文的例子很具体:Agent 直接创建了一个 Config 类实例,而现有代码采用依赖注入。代码单独看没有问题,测试也没失败,但它违背了项目已有的组织方式。这正是理解上下文的人可能发现的问题。
作者同时要求,操作 Agent 的开发者也要参与审查:理解并认可生成结果,运行机械检查,再跑第一轮 AI 审查。否则,最后的技术负责人仍会承接全部理解成本。
发现问题以后,流程还要继续。应该补测试、加 lint 规则、完善 Agent 指引,还是在下一次编码前多问一个问题?获批的规格偏离,也要回写规格。生产事故则通过复盘反馈到同一套材料和检查里。
作者坦承,Config 暴露出的依赖注入规范,他自己仍没写下来。这个细节也说明:知道闭环应该怎么做,和真正落实,是两回事。
我的判断
我认同把理解成本提前。等代码已经生成,再发现业务边界理解错了,即便修改很快,审查者也得重新建立上下文。只追求批准速度,很容易把问题留到后面。
但文章主要提供的是作者经验。它引用的报告和研究支持「大批次难审查」「AI 会放大流程问题」,并没有给出作者实施这些做法前后的审查耗时、缺陷率或交付周期对照。因此,「前置划分和追问收益最大」应视为经验之谈,不能当作普遍结论。
前置规格也有维护前提。如果规格长期落后于代码,把它同时交给编码和审查 Agent,可能让两者一起遵循过期约定。作者提出回写偏离,恰好说明维护成本不能省掉。
与直接增加 AI 审查相比,这套做法更适合先解决目标和边界不清的问题;与缩小 PR 相比,它也考虑了过度切分造成的切换成本。不过,人的结构审查仍不能覆盖所有正确性问题,还需要可靠测试和风险对应的深入检查。
原文最后对照搬 Claude Code 团队流程保持谨慎,我认为这个提醒成立:测试、指引和质量门禁是否齐备,决定了 AI 审查有多少依据。成熟团队的流程,不能只复制最显眼的那个机器人。
能拿来做什么
- 下次让 Agent 修改前端功能或 Node 服务时,先按「一个人能否连续理解完整变更」划定交付范围,并记录生成、审查和返工耗时,用实际情况调整批次。
- 编码前让 Agent 列出需求歧义、失败路径、系统边界和需要批准的技术取舍;面向客户的功能深入追问,演示项目适度简化。
- 把可重复检查的约束交给工具,再给 AI reviewer 提供同一份设计与规格,明确它需要判断的范围,减少重复评论。
- 每次审查发现问题后,确定一个预防入口:测试、lint 规则、Agent 指引或规格。已经批准的偏离及时回写,避免下一轮再次争论。