原文:linear.app/now/ci-bottleneck-reworked
讨论:HN 帖子,73 分 61 条评论
问题不是 CI 慢,是 PR 太多
Linear 的工程团队最近写了篇博客,讲他们怎么被 AI coding agent 把 CI 系统打爆。文章上周上了 Hacker News 首页,73 分、61 条评论——评论区几乎全是「我们也是」的哭墙。
矛盾在哪?不是单次跑测试慢,是 PR 数量爆炸。
一个开发者过去一天提 3-5 个 PR,靠 Claude Code / Cursor 这类 agent,一晚上产出 30-50 个不是事儿。每个 PR 都要跑 CI,runner 池瞬间打满。队列堆积 40 分钟起步,开发者早上打开电脑发现 PR 还在等 CI,过了中午才进 review。
传统 CI 模型是这么设计的:
- 每个 PR 一个独立 runner
- runner 跑完释放,下一个排队
- 单测慢?优化单测;runner 不够?加机器
AI coding 把这套假设全掀了。加机器跟不上 PR 增长速度,单测再快也扛不住几十倍请求量。
Linear 的数据:高峰期单开发者每小时触发 4-6 个 CI run,比 AI agent 普及前高了 8 倍。
他们重写了 runner 调度,不重写测试
Linear 的解法很有意思——没去追"测试提速"或者"加机器",改的是调度逻辑。
核心思路三条:
- 合并可并行的 job。同一个 PR 内的 lint + typecheck + unit test,如果互相不依赖、可以共享 workspace,没必要开三个 runner 跑三次。Linear 改成 job bundling,单个 runner 串行执行一组兼容任务。
- 复用 workspace。之前每个 CI run 都重新 clone repo、装依赖。Linear 改成 workspace 缓存池,命中相同 commit hash 的 run 直接 mount 已有目录。装 pnpm / node_modules 那 90 秒全省了。
- 按优先级和影响范围动态分配。核心文件(monorepo root、shared lib)变更的 PR 拿高优先级,文档 / typo PR 排队。Linear 用 GitHub 的 CODEOWNERS + 路径匹配算一个"影响权重"。
这三条下来,runner 池容量需求降了 60%。
他们公开了部分调度逻辑的伪代码(简化版,不是生产代码):
// Linear CI 调度器简化版
interface CIRun {
prId: string
commitSha: string
changedPaths: string[]
jobs: Job[]
priority: number // 基于影响权重计算
}
function scheduleRun(runs: CIRun[], runners: Runner[]) {
// 1. 按 priority 排序
const sorted = runs.sort((a, b) => b.priority - a.priority)
// 2. 查找 workspace 缓存命中
for (const run of sorted) {
const cached = workspaceCache.find(r => r.sha === run.commitSha)
if (cached) {
run.workspace = cached.path // 复用,省掉 clone + install
}
}
// 3. Job bundling: 把可兼容 job 打包
const bundles = bundleCompatibleJobs(sorted)
// 4. 分配 runner,瓶颈期降级非关键 job
assignToRunners(bundles, runners, {
onContention: degradeNonCritical,
})
}
重点不是这段代码多优雅,是它揭示了一个事实:AI 时代的 CI 优化重点从"单跑得快"转向"批跑得密"。
和 Git workflow 深度耦合
Linear 自己是 issue tracking + Git workflow 工具厂商,所以他们把 CI 改造和分支策略绑死了做。
几个关键设计:
- 识别 AI agent 的 commit 特征。AI 批量提交的 commit message 模式(连续 5-10 个
feat:开头、提交时间戳聚类)和人类开发者不同。Linear 用这个信号预判"接下来 30 分钟会有 PR 涌入",提前预热 runner 池。 - Merge queue 集成。他们的 merge queue 不是"PR merge 进 main 才触发 CI",是"PR 进队列就开始预跑测试"。merge 那一刻结果已经出来,省掉最后一道等待。
- Branch stacking 优化。开发者不再一个功能一个分支,改成一个 stack 里 5-6 个 PR 串行 merge。Linear 的调度器识别 stack 关系,让连续 PR 复用前一个的 workspace 缓存。
这块的设计 Linear 没完全公开代码,但博客里画了张挺直观的流程图。
这不是 Linear 一家的事
HN 评论里 61 条讨论,我数了下至少有 30 条是「同款受害者」。挑几个具体场景:
用户
devops_at_scale:我们从 50 个 self-hosted runner 加到 200 个还是不够。最后发现不是容量问题,是 runner 之间抢同一个 monorepo lock。改成 workspace 复用后瞬间搞定。用户
agent_pm:我们公司 8 个 dev,用 Claude Code 之后 PR 量从每天 12 个涨到 150 个。CI 月费涨了 4 倍,老板问为什么 IT 成本失控。用户
platform_eng_lead:我们做过测试,单 PR 跑 CI 速度其实没变(平均 8 分钟),但同时在跑的 PR 数从 20 涨到 200。瓶颈在调度,不在测试。
注意第三条——验证了 Linear 的核心判断:问题不在 CI 慢,在并发模型错配。
另外几条评论提到:
- GitHub Actions 的并发限制(免费账户 20 并发)被打爆后,团队转向自建 runner
- 一些团队开始用 build matrix(同一份代码在多 runner 跑)做"PR 重要性筛选",把不重要 PR 直接跑 subset 测试
- 有团队干脆给 AI agent 配专用 runner 池,避开资源争抢
给其他工程团队的启示
Linear 的经验有几个可迁移的点:
1. 别等 CI 打满才改。AI coding 普及的速度比大多数工程团队预估的快。你现在的 runner 池容量假设是基于"人写代码"的 PR 节奏,AI agent 普及后这个假设会瞬间失效。
2. 调度优化优先于堆硬件。多加 runner 是最简单的方案,但成本线性增长、ROI 很差。改调度逻辑(job bundling + workspace 复用 + 优先级)一次性投入、长期受益。
3. CI 和 Git workflow 一起设计。把 merge queue、branch stacking、AI commit 识别这些环节和 CI 调度打通,别让它们各自为政。Linear 的优势是他们本身做 issue tracking,所以这种深度集成对他们来说更自然。
4. 监控 PR 涌入速率。除了常规的 CI duration、success rate,加一个 "PR per hour per developer" 的指标。这个曲线如果开始指数增长,CI 危机就不远了。
编辑思考
这件事最有意思的地方是反共识——所有人都在卷 AI coding agent 的生成质量(能不能写对、能不能 review、能不能不 hallucinate),没人讨论生成速度已经把工程基础设施压垮。
Linear 的案例说明,2026 年 AI 落地的瓶颈可能不在模型层,而在 CI/CD、review queue、merge queue 这些"下水道"环节。它们平时没人在意,AI coding 一旦大规模铺开,这些老系统就是第一个爆的。
和过去哪些事不同?云原生时代也出现过类似的"基础设施被新范式压垮"的情况——比如微服务化把数据库连接池打爆、服务网格让 sidecar 资源爆炸。但那些是渐进式的、可预测的扩展曲线。AI coding 带来的 PR 涌入是阶跃式的——一个团队上线 Claude Code,下周 PR 量就翻 5 倍,没有渐进过程。
不确定的地方:Linear 的解法在他们这种规模(中等工程团队 + 自研 CI 编排)下有效,但对用 GitHub Actions / CircleCI 标配的小公司来说,可迁移性有限。这些团队的解法可能还得靠"少让 AI 提 PR"或者"给 AI 配独立 runner 池"这种笨办法。
另一个判断:未来 12 个月会出现一批 "AI-native CI" 工具,专门针对 workspace 复用、job bundling、AI commit 识别做优化。这是个被低估的市场。