实战

Cisco 给工程师无限 Token,代码少写但责任更重

Cisco 向部分工程师开放无限 AI Token,用于重写遗留代码。额度不再是瓶颈,能否判断改动是否正确,才是新的工程瓶颈。

字号

Cisco 正向部分工程师开放无限 AI Token,核心用途之一是重写遗留代码。

这不是让 AI 再多写几个新功能。真正改变的是迁移旧系统、补测试、翻译框架接口这类重复工作的成本结构。

不过,Token 免费不等于工程结果免费。上下文缺失、隐性业务规则和测试盲区仍在那里。更麻烦的是,AI 一次能批量提交大量改动,错误也会跟着被批量复制。

Cisco 总裁 Jeetu Patel 把这项安排与 Gen Z 工程师培养、入门级岗位变化联系起来。按 Fortune 的报道,重点是遗留代码重写,而不只是生成更多代码。

这条新闻也登上了 Hacker News 首页,获得 101 分和 112 条评论。工程师最在意的显然不是“无限”两个字,而是无限额度进入生产流程后,谁来承担审查、验证和事故责任。

原始报道:Fortune

无限 Token 到底解决了什么

Token 是模型处理文本时使用的计算单位。输入要算,输出也要算。

生成一个新函数,可能只需要几千 Token。把一个运行多年的模块迁移到新接口,并同步修改调用方、配置、测试和文档,消耗会高得多。旧代码又常带着几年积累的补丁,谁也不敢直接删掉重写。

Cisco 的安排适合处理这类工作:

  • 把旧框架接口映射到新 API。
  • 批量更新依赖和调用点。
  • 为缺少测试的模块补初始用例。
  • 拆解超过几千行的重复逻辑。
  • 在不同运行环境之间翻译配置和脚本。

这里的收益不是代码行数。假设迁移一个模块原本需要 12 人日,其中 7 人日用于查调用关系、搬代码、改格式,AI 可能压缩其中的机械劳动。

但剩下 5 人日不能消失:

  1. 确认旧行为是否真的应该保留。
  2. 找出文档里没有记录的边界条件。
  3. 判断测试是在验证需求,还是只复现旧实现。
  4. 决定哪些兼容性风险可以接受。

无限 Token 主要解决前一部分的成本。它不会自动解决业务知识,也不承担回滚责任。

还有一个容易忽略的成本:AI 改动越多,人工审查越贵。

如果生成 500 行代码,只需要核对几个关键分支,收益可能成立。如果生成 5 万行 diff,即使生成时间降到零,审查也会变成瓶颈。审查者必须重新建立对系统的理解,否则只能依赖表面测试绿灯。

Token 不是无限工程能力

遗留代码最难的地方,往往不是它写了什么,而是它为什么这样写。

典型例子是支付接口。代码里多了一次重试,可能来自一次线上事故;某个字段允许为空,可能对应某个客户的特殊合同;错误处理绕过了标准路径,也可能是在绕过某个下游服务故障。

AI 能从代码和注释中看到这些线索,但不能凭空确认组织已经丢失的决策背景。

风险可以拆成四层。

上下文缺失

仓库里有 README、设计文档、Issue、聊天记录和事故报告。它们通常不完整,也没有统一格式。

模型一次能读取的上下文再多,也不代表相关知识都在仓库里。缺失的信息不会因为 Token 无限而自动出现。

隐性业务规则

很多规则从未写进代码。

“订单状态只能按七种顺序迁移”可能存在于产品经理脑中;“欧洲客户退款必须人工复核”可能只存在于运营团队共享文档。

AI 重写时可能生成逻辑完整、类型正确、测试通过的代码,却悄悄改变业务语义。

测试覆盖不足

旧模块没有测试,不代表它没有行为。

AI 补出的测试可能只是按照当前实现生成,再由同一个模型修改实现,最后得到一组自洽但错误的测试。这叫测试与实现共同漂移。

更稳妥的做法,是先从历史工单、线上样本和边界条件生成独立断言,再让模型改实现。测试来源不能和实现来源完全相同。

错误被大规模复制

人工一次提交错一个条件,影响范围通常受限于一个模块。AI Agent 可以把同一错误复制到几十个调用点,甚至复制进生成测试。

因此,Token 越多,越需要小批次改动。合并请求要按依赖关系拆开,每批都要能独立验证和回滚。

无限额度的合理用法,不是开一个 Agent 跑几天再一次性审查,而是让 Agent 持续提交小 diff:一次迁移一个接口,一次补一组边界测试,一次更新一个调用方。

初级工程师的入门任务变了

Jeetu Patel 把无限 AI Token 与 Gen Z 工程师培养、入门级岗位变化放在一起讨论。

这里的问题不是“年轻人还能不能学写代码”。即使大部分样板代码由 AI 生成,理解程序仍然需要亲手写、运行、调试和修改。

变化在于,第一份工程工作的内容可能变了。

过去,新人可能从实现 CRUD 接口、编写单元测试开始。现在,这些工作可能正好是最适合交给 LLM 的部分。新人接手的是 AI 改过的模块,要回答几个更难的问题:

  • 这次改动解决了哪个需求?
  • 哪个旧行为被保留,哪个行为被改变?
  • 测试为什么能证明改动正确?
  • 如果依赖服务异常,代码会怎样降级?
  • 这段逻辑出了问题,谁能在多久内定位?

这类审查工作要求新人理解系统、约束和故障模式。它比照着规范写样板代码更接近资深工程师的工作,但也不应该跳过基本训练。

一个危险信号是:团队因为 AI 能生成代码,就不再给新人安排小而完整的实现任务。新人只负责点击“接受”和跑测试。最后能提交 diff,却不能独立解释系统行为。

更合理的培养方式,是让 AI 承担重复劳动,同时保留两种练习:

  1. 先手写小模块,建立调试直觉和代码阅读能力。
  2. 再审查 AI 的完整改动,比较自己的方案与生成方案。

前者练执行,后者练判断。两者不能互相替代。

如何衡量 AI 重写是否划算

“生成了多少行代码”不适合作为主指标。它会鼓励更多代码,也会掩盖审查成本。

建议按模块建立一张迁移表,至少记录下面五项。

指标 统计方式 主要回答的问题
迁移耗时 从开始到通过验收的人工工时 AI 是否真的节省时间
缺陷逃逸率 上线后发现的缺陷数 / 全部缺陷数 验证是否足够
回归测试通过率 每次 CI 运行通过次数 / 总运行次数 改动是否稳定
人工复核成本 审查代码与日志的分钟数 生成速度是否被审查抵消
回滚率与耗时 回滚次数、回滚定位时间 风险是否可控

还应保留一个基线。

选取相似模块,分别记录人工迁移和 AI 辅助迁移的数据。否则团队只能感知“最近快了”,却说不清省掉的是迁移时间,还是把成本推迟到了测试和上线以后。

一个简化脚本可以记录 CI 结果。它不替代评测体系,但能把人工迁移时的数据格式固定下来:

import json
from pathlib import Path

results = []

for path in Path("ci-results").glob("*.json"):
    data = json.loads(path.read_text())
    results.append({
        "module": data["module"],
        "passed": bool(data["passed"]),
        "review_minutes": int(data["review_minutes"]),
        "rollback": bool(data.get("rollback", False)),
    })

passed = sum(item["passed"] for item in results)
pass_rate = passed / len(results) if results else 0.0
review_minutes = sum(item["review_minutes"] for item in results)
rollback_rate = (
    sum(item["rollback"] for item in results) / len(results)
    if results else 0.0
)

summary = {
    "runs": len(results),
    "regression_pass_rate": round(pass_rate, 4),
    "review_minutes": review_minutes,
    "rollback_rate": round(rollback_rate, 4),
}

Path("migration-summary.json").write_text(
    json.dumps(summary, ensure_ascii=False, indent=2) + "\n"
)
print(json.dumps(summary, ensure_ascii=False, indent=2))

运行方式:

python summarize_migrations.py

脚本需要项目自行把 CI 数据导出成 ci-results/*.json。字段保持简单,是为了让指标能先跑起来,再逐步补齐。

除了数量,还要看错误类型。AI 重写最常见的问题未必是语法错误,而可能是:

  • 吞掉原本抛出的异常。
  • 改变超时和重试策略。
  • 丢失事务边界。
  • 把异步调用误写成同步调用。
  • 用默认值填补本来必须显式传入的参数。

这些问题不能只靠最终测试覆盖。需要对照旧实现做行为差异分析,再结合生产指标观察。

编辑思考

Cisco 的无限 Token 更像一次组织流程实验,还不是成熟的采购标准。模型成本下降后,AI 编程的瓶颈确实会从“能不能生成”转向“能不能验证”。但无限额度也可能制造一种错觉:调用越多,改造越快。

我更关心它与过去不同的地方。过去 AI 编程主要帮助工程师写新代码,Cisco 这次直接触碰迁移、测试和岗位分工。代码审查从辅助环节变成主要生产环节,工程责任也没有被模型接走。

我的判断是,未来团队会减少纯样板代码,却不会减少对系统行为的理解。初级工程师可以更快提交第一个改动,但独立判断故障原因仍需要时间积累。Cisco 若真能同时降低迁移成本、缺陷逃逸率和新人培养周期,这个案例才值得复制。现在,Hacker News 上 112 条评论里的争论,恰好说明“无限 Token”解决的是成本问题,不是责任问题。

来源: https://fortune.com/2026/10/30/cisco-president-jeetu-patel-gen-z-27-year-old-unlimited-ai-tokens-rewrite-legacy-code-entry-level-jobs/