AI Agent 能快速生成代码,但 review、验证和维护未必同步提速。本文从 diff 上限、行为测试和 ADR 入手,讨论如何控制解释债。
Hacker News 首页一则讨论提出了一个具体问题:如何处理自己并不理解、却已经发布的 AI 代码。
原讨论的 item 编号是 50151036:
https://news.ycombinator.com/item?id=50151036
HN 摘要援引了一名 Meta 工程师发布在 LinkedIn 上的表述:
“我是一名 Meta 工程师,但用 AI 写代码时,从未对工作感到如此不适。”
这段话指向的不是 AI 能不能生成代码,而是交付后的责任。模型可能很快写出几百行 diff,工程师却仍要逐行检查。验证时间会吞掉一部分生成收益。
Meta 工程师为什么“不舒服”
传统编程通常有一个自然减速的过程:
- 工程师自己敲实现。
- 调试迫使他进入控制流。
- 同事提出 review 意见。
- 上线后的异常再把开发者拉回代码。
这个过程慢,但会留下理解。
LLM 把中间那段压缩了。工程师发出需求,模型返回完整实现。语法可以正确,目录可以整齐,测试甚至可能一次通过。
问题在于,代码看起来完成了,不等于代码可维护。
HN 摘要所引 Meta 工程师的说法,核心不是“完全看不懂”,而是只掌握系统设计,未理解全部实现细节。
如果完全看不懂,工程师通常不会直接合入。更危险的是半懂。
开发者知道需求为什么存在,也知道结果该怎么用。但模型补出的递归、缓存失效、锁顺序和重试边界,未必能被立即证明正确。
陌生代码会触发谨慎,半懂代码容易触发自信。后者更值得警惕。
真正稀缺的不是生成速度
本地 coding agent 已经可以并行修改文件、运行测试、自动修复 lint,并反复尝试编译。
这会制造一个误导团队的指标:
单位时间生成的代码行数。
这个数字通常会上升,但不能单独代表交付效率。还要一起看:
- review 用了多久;
- 测试是否覆盖真实行为;
- 线上修复需要多久;
- 三个月后谁能接手;
- 模型、依赖和内部接口变化后,改动会影响多少地方。
生成只是成本的一部分。生成成本下降后,验证、解释和组织知识的成本会更突出。
一个团队每天多接受 800 行未完全理解的代码,不等于多了 800 行有效资产。也可能只是多了 800 行解释债。
我用 Claude Code 或 Cursor 这类工具时,变化主要体现在样板代码、依赖升级、测试脚手架和跨文件机械修改更快了。
需要工程判断的部分没有消失:
- 状态应该放在哪里;
- 失败后能否安全重试;
- API 契约是否稳定;
- 哪些约束必须由类型系统保证;
- 出错时能否从日志还原现场。
提交频率越高,错误被批量复制的速度也越快。
给 AI 代码加一道可解释性预算
与其要求“全部看懂”,不如给 PR 设置可执行的可解释性预算。
我会先用三条规则:
- 高风险模块单次 diff 限定在约 200 行。超过就拆 PR,不能把“生成得多”当作合并理由。
- 关键实现必须由提交人解释设计选择、非显然分支和失败模式。未解释代码不得进入主分支。
- 涉及权限、资金、数据删除、迁移或外部 API 的路径,必须补行为测试。长期设计选择要写 ADR。
200 行不是通用标准。数据库迁移和协议重构可能天然更大。这里限制的是认知批次。
目标是让一次 review 仍然有边界。
ADR 指 Architecture Decision Record,也就是架构决策记录。它不必很长,但至少应回答:
- 为什么选择这个方案;
- 放弃了哪些替代方案;
- 什么条件会让决定失效;
- 上线后如何观察风险。
这样,代码解释不只存在于聊天窗口,也不依赖某个工程师三周后的记忆。
用失败测试筛掉“像代码的代码”
语法通过率不适合衡量 LLM 编程质量。模型很会生成语法正确的代码。
更有用的做法是先写失败测试,再让模型实现。
下面这个 Python 示例测试价格计算行为:
from decimal import Decimal
def calculate_total(unit_price: str, quantity: int, discount_percent: int = 0) -> str:
unit_price = Decimal(unit_price)
subtotal = unit_price * quantity
discount = subtotal * Decimal(discount_percent) / Decimal(100)
return str(subtotal - discount)
assert calculate_total("19.90", 3) == "59.70"
assert calculate_total("10.00", 2, 25) == "15.00"
try:
calculate_total("10.00", 1, 101)
except ValueError:
pass
else:
raise AssertionError("discount above 100 must fail")
这段代码本身不能验证负数单价、负数数量等异常路径。要完整测试这些约束,函数还需要补充输入校验。
测试先失败,通常说明它确实约束了当前尚不存在的行为。之后再把实现交给 LLM。
我会同时记录两个指标:
- 语法通过率:代码能否解析、导入和运行;
- 行为覆盖率:既定场景、边界条件和失败路径中有多少被测试约束。
前者很容易接近 100%。后者更能暴露模型是否理解了需求。
测试要表达外部行为。不要因为实现用了某个内部 helper 就改测试,也不要为了方便模型,让测试依赖偶然细节。
如果生成代码不符合测试,就拒绝合并。如果代码能通过测试,但提交人解释不了关键分支,也先别合。
这个流程多了一步验证,却把风险放到了正确的位置。
编辑思考
这次讨论重要的,不是 Meta 工程师的主观感受,而是生成、验证和责任开始失去原来的比例关系。
过去,工程师亲手写出大部分实现,理解通常伴随产出发生。LLM 把实现与理解拆开后,提交代码的人成了担保人:他要证明行为正确,也要说明维护者为什么能信任这些实现。
我的判断是,AI Agent 编程下一阶段真正稀缺的,不是更长的上下文或更快的 autocomplete,而是团队能否低成本保留因果链。失败测试、ADR、受限 diff 和可复现 benchmark,都比单看生成速度更重要。
它与过去的 Copilot 式补全不同。补全通常只填眼前函数;coding agent 能一次提交多文件改动,还能自行运行命令。影响范围更大,审查方式不能照搬。
但有一个问题还没有答案:当团队为了吞吐量接受“看不懂也先上线”时,可解释性预算究竟是工程纪律,还是发布流程上的装饰?我暂时没有足够证据下结论。可以确定的是,责任不会转移给模型。