Lint工具无法治理Agent开发的困境

很高兴你来到这里。每周一至周五，我们都会为你送上 TNS 的优质内容，帮助你及时掌握新闻动态，始终保持最佳状态。

请查看收件箱中的确认邮件，你可以在其中调整偏好设置，甚至加入更多群组。

在你喜欢的社交媒体平台上关注 TNS。

在 LinkedIn 上关注 TNS。

在等待第一封 TNS newsletter 期间，不妨先看看最新的精选与热门文章。

毫无疑问，AI Agent 正在改变软件开发。它们可以迅速将一个想法变成可运行的实现，探索不同方案，并承担规模更大的工作——这些工作原本可能会一直积压在 backlog 中。机会确实存在。现在的问题是，如何将这种速度转化为可靠、持久的价值。

Linting 在这一过程中扮演着重要角色。Linter 可以针对语法错误、未定义变量、格式问题和常见错误提供快速的本地反馈。它们帮助团队建立一致的标准，同时不会拖慢开发进度。在 Agent 工作流中，这种即时性和一致性变得更加宝贵。

随着 Agent 生成的变更越来越庞大、越来越复杂，团队需要一套与工作范围相匹配的验证流程。Agent 可以生成格式规范、符合惯用写法且看起来完整的代码，但开发者仍然需要确信：这些变更能够正确运行，可以融入周边系统，并满足安全性与可靠性要求。

“随着 Agent 生成的变更越来越庞大、越来越复杂，团队需要一套与工作范围相匹配的验证流程。”

这需要我们采用与其他高杠杆系统相同的工程纪律：明确目标，提供有用的上下文和约束，并在结果进入生产环境之前完成验证。

Linting 最初的承诺，一直是在开发者编写代码时提供即时、可执行的指导。当团队开始添加 Agent 开发所需的多层验证机制时，也应该延续这一原则。

验证整个系统的行为

Linting 擅长在局部范围内检查代码。然而，许多影响重大的软件问题，往往出现在执行路径、数据流动以及组件之间的交互中。

设想这样一段代码：单独看每个函数都合情合理，但某个未经验证的值经过多次调用后，最终进入了数据库查询、文件系统操作或身份验证决策。又或者，某个条件单独来看似乎站得住脚，却导致一条有实际意义的分支永远无法执行。这些问题关注的是系统作为一个整体究竟如何运行。

控制流分析可以推断程序可能经过哪些路径。数据流分析和污点分析可以追踪值如何从外部输入流向敏感操作。这些技术结合起来，有助于团队了解软件在实际运行中可能做什么，尤其是在一项变更跨越多个文件或系统边界时。

目标是让反馈的力度与影响程度相匹配。快速检查应该放在 Agent 的内部推理循环中，而更深入的分析则可以聚焦于安全敏感路径、业务关键工作流以及范围更广的变更。

验证更广泛的软件供应链

Agent 开发所加速的不只是第一方代码。Agent 还可能引入依赖项、配置变更、pipeline 更新，以及可能暴露 secrets 的捷径。

这些要素都值得验证。团队需要了解哪些组件进入了自己的软件，扫描依赖项中已知和新出现的风险，在 secrets 扩散之前将其检测出来，并把工作流配置视为代码库中与安全密切相关的一部分进行审查。

在 Agent 环境中，安全边界已经超出了应用程序源文件的范围。它还包括影响 Agent 如何构建软件的工具、软件包、配置和指令。将这些防护措施自动化，可以帮助团队以 Agent 生成代码时同样的速度和一致性完成验证。

让代码库随时为下一次变更做好准备

代价最高昂的软件问题通常是逐渐积累起来的：重复逻辑、不必要的复杂性、模糊的所有权，以及违反架构边界的依赖关系——而这些架构边界原本是为了确保恰当的抽象而设立的。

“代价最高昂的软件问题通常是逐渐积累起来的：重复逻辑、不必要的复杂性、模糊的所有权。”

Agent 会加速这种积累，因为它们可以在短时间内生成大量单独看来都合情合理的代码。评估每项变更当前是否能正常工作至关重要；评估它对系统长期健康状况的影响，也同样重要。

可维护性是 Agent 生产力的一部分。当 Agent 能够理解自己所处的代码库时，它们的工作效果会更好。清晰的架构、可控的复杂度和明确的约束，可以为问题提供一幅更准确的地图。它们能帮助 Agent 在下一项任务中做出更好的选择，也能帮助开发者更有信心地审查这些选择。然而，由于 Agent 的 memory 空间有限，它们并不擅长始终保留代码库中正确的上下文。

要形成良性循环，随着代码库不断变化，Agent 需要即时、动态且与 specification 相关的上下文。维护良好的系统可以支持更高效的 Agent，而高效的 Agent 又能释放更多能力来改进系统。长此以往，团队便能获得一个经得起时间考验的创新基础。

将验证构建到循环中

最实用的理解方式很直接：当验证机制被设计进工作流时，Agent 能够创造更多价值。

这意味着，在 Agent 生成代码之前，就要为其提供相关的上下文和约束；在内部循环中保留 linting，以提供即时反馈；随着变更的范围和影响不断扩大，应用行为、安全性和架构检查；并通过质量门禁和 review 实践验证最终结果，而不只是检查 patch 表面上是否合理。

“下一项竞争优势，将来自有效地引导 Agent、验证它们的工作，以及维护始终清晰易懂的系统。”

Linting、测试、更深入的静态分析、依赖项控制、secrets 检测、架构检查和人工判断，各自提供了不同的信号。它们结合在一起，使团队既能快速推进，又能保护正在构建的系统。

AI Agent 正在让代码生成变得极其充裕。下一项竞争优势，将来自有效地引导 Agent、验证它们的工作，并确保系统在每一波新的开发浪潮中始终保持可理解性与韧性。

Linting 仍然是这一策略不可或缺的一部分。它提供即时反馈，而更广泛的验证工作流则让团队有信心快速推进，并构建经久耐用的系统。