原文:linear.app/now/ci-bottleneck-reworked
討論:HN 帖子,73 分 61 條評論
問題不在 CI 跑得慢,是 PR 數量炸了
Linear 工程團隊最近發了一篇文章,講他們怎麼被 AI coding agent 把 CI 系統打爆。這篇文上週衝上 Hacker News 首頁,73 分、61 條評論——留言區幾乎變成「我們也中」的哭牆。
矛盾點在哪?不是單次跑測試慢,是 PR 數量爆炸。
一個工程師過去一天提 3 到 5 個 PR;靠 Claude Code 或 Cursor 這類 agent,一晚產出 30 到 50 個很常見。每個 PR 都要跑 CI,runner 池瞬間被打滿。佇列堆積 40 分鐘起跳,工程師早上開電腦才發現 PR 還在等 CI,往往過了中午才進 review。
傳統 CI 模型是這樣設計的:
- 每個 PR 一個獨立 runner
- runner 跑完釋放,下一個排隊
- 單測太慢?最佳化單測;runner 不夠?加機器
AI coding 把這整套假設掀了。加機器追不上 PR 成長速度,單測再快也撐不住幾十倍的請求量。
Linear 的數據:尖峰時段單一開發者每小時觸發 4 到 6 次 CI run,比 AI agent 普及前高出 8 倍。
他們重寫的是 runner 排程,不是測試
Linear 的解法很有意思——不去追求「測試加速」或「加機器」,改的是排程邏輯。
核心思路三條:
- 合併可併行的 job。同一個 PR 內的 lint + typecheck + unit test,如果互相不依賴、可以共用 workspace,就沒必要開三個 runner 跑三次。Linear 改成 job bundling,單一 runner 序列執行一組相容任務。
- 復用 workspace。之前每次 CI run 都重新 clone repo、安裝相依套件。Linear 改成 workspace 快取池,命中相同 commit hash 的 run 直接掛載既有目錄。裝 pnpm 或 node_modules 那 90 秒整個省掉。
- 依優先權和影響範圍動態分配。核心檔案(monorepo root、shared lib)變更的 PR 拿高優先權,文件或 typo PR 排隊。Linear 用 GitHub 的 CODEOWNERS 搭配路徑匹配算出一個「影響權重」。
這三條下來,runner 池容量需求降了 60%。
他們公開了部分排程邏輯的虛擬碼(簡化版,非正式環境程式碼):
// Linear CI 排程器簡化版
interface CIRun {
prId: string
commitSha: string
changedPaths: string[]
jobs: Job[]
priority: number // 基於影響權重計算
}
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 快取命中
for (const run of sorted) {
const cached = workspaceCache.find(r => r.sha === run.commitSha)
if (cached) {
run.workspace = cached.path // 復用,省掉 clone + install
}
}
// 3. Job bundling: 把可相容 job 打包
const bundles = bundleCompatibleJobs(sorted)
// 4. 分配 runner,瓶頸期降級非關鍵 job
assignToRunners(bundles, runners, {
onContention: degradeNonCritical,
})
}
重點不是這段程式碼多優雅,而是它揭示了一個事實:AI 時代的 CI 最佳化重心,從「單次跑得快」轉向「批次跑得密」。
和 Git workflow 深度耦合
Linear 本身就是 issue tracking 加上 Git workflow 工具的供應商,所以他們把 CI 改造和分支策略綁死在一起做。
幾個關鍵設計:
- 識別 AI agent 的 commit 特徵。AI 批次提交的 commit message 模式(連續 5 到 10 個
feat:開頭、提交時間戳聚集)和人類開發者不同。Linear 用這個訊號預判「接下來 30 分鐘會有 PR 湧入」,提前預熱 runner 池。 - Merge queue 整合。他們的 merge queue 不是「PR merge 進 main 才觸發 CI」,而是「PR 進佇列就開始預跑測試」。merge 那一刻結果已經出來,省掉最後一段等待。
- Branch stacking 最佳化。開發者不再一個功能一個分支,改成一個 stack 裡 5 到 6 個 PR 依序 merge。Linear 的排程器識別 stack 關係,讓連續 PR 復用前一個的 workspace 快取。
這塊的設計 Linear 沒有完整公開程式碼,但部落格裡畫了一張挺直觀的流程圖。
這不是 Linear 一家的問題
HN 留言裡 61 則討論,我數了一下至少有 30 則是「同款受害者」。挑幾個具體情境:
用戶
devops_at_scale:我們從 50 台 self-hosted runner 增加到 200 台還是不夠。最後發現不是容量的問題,是 runner 之間搶同一個 monorepo lock。改成 workspace 復用後瞬間搞定。用戶
agent_pm:我們公司 8 個 dev,用 Claude Code 之後 PR 從每天 12 個暴增到 150 個。CI 月費漲了 4 倍,老闆問為什麼 IT 成本失控。用戶
platform_eng_lead:我們實測過,單一 PR 跑 CI 的速度其實沒變(平均 8 分鐘),但同時在跑的 PR 數從 20 漲到 200。瓶頸在排程,不在測試。
注意第三條——驗證了 Linear 的核心判斷:問題不是 CI 慢,是併發模型錯配。
其他幾則留言提到:
- GitHub Actions 的併發限制(免費帳號 20 併發)被打爆後,團隊轉向自建 runner
- 有些團隊開始用 build matrix(同一份程式碼在多 runner 跑)做「PR 重要性篩選」,把不重要的 PR 直接跑子集測試
- 有團隊乾脆給 AI agent 配專用 runner 池,避開資源爭搶
給其他工程團隊的啟示
Linear 的經驗有幾個可遷移的點:
1. 別等 CI 打滿才改。AI coding 普及的速度比大多數工程團隊預估的還快。你現在的 runner 池容量假設是基於「人寫程式碼」的 PR 節奏,AI agent 普及後這個假設會瞬間失效。
2. 排程最佳化優先於堆硬體。多加 runner 是最簡單的方案,但成本線性成長、ROI 很差。改排程邏輯(job bundling + workspace 復用 + 優先權)一次性投入、長期受益。
3. CI 和 Git workflow 一起設計。把 merge queue、branch stacking、AI commit 識別這些環節和 CI 排程打通,別讓它們各做各的。Linear 的優勢在於他們本身做 issue tracking,所以這種深度整合對他們來說更自然。
4. 監控 PR 湧入速率。除了常規的 CI duration、success rate,加一個「PR per hour per developer」的指標。這條曲線如果開始指數成長,CI 危機就不遠了。
編輯觀點
這件事最有趣的地方是反共識——所有人都在捲 AI coding agent 的生成品質(能不能寫對、能不能 review、能不能不 hallucinate),沒人在討論生成速度已經把工程基礎設施壓垮。
Linear 的案例說明,2026 年 AI 落地的瓶頸可能不在模型層,而在 CI/CD、review queue、merge queue 這些「下水道」環節。它們平時沒人在意,AI coding 一旦大規模鋪開,這些老系統就是第一個爆的。
和過去哪些事不同?雲原生時代也出現過類似的「基礎設施被新範式壓垮」的情況——例如微服務化把資料庫連線池打爆、service mesh 讓 sidecar 資源爆炸。但那些都是漸進式、可預測的擴展曲線。AI coding 帶來的 PR 湧入是階躍式的——一個團隊上線 Claude Code,下週 PR 量就翻 5 倍,沒有漸進過程。
不確定的地方:Linear 的解法在他們這種規模(中等工程團隊加上自研 CI 編排)下有效,但對用 GitHub Actions 或 CircleCI 標配的小公司來說,可遷移性有限。這些團隊的解法可能還是得靠「少讓 AI 提 PR」或「給 AI 配獨立 runner 池」這種笨方法。
另一個判斷:未來 12 個月會出現一批「AI-native CI」工具,專門針對 workspace 復用、job bundling、AI commit 識別做最佳化。這是個被低估的市場。