實戰

Cisco 開放無限 AI Token:工程效率提升,責任反而更重

Cisco 向部分工程師開放無限 AI Token,主要用於重寫遺留程式碼。當 Token 不再是瓶頸,如何判斷 AI 產生的變更是否正確,以及誰須承擔審查與事故責任,便成為新的工程挑戰。

字級

Cisco 正向部分工程師開放無限 AI Token,主要用途之一是重寫遺留程式碼。

這不是單純讓 AI 多寫幾項新功能,而是徹底改變舊系統遷移、測試補齊與框架介面轉換等重複工作的成本結構。

不過,Token 免费不代表工程結果也免費。上下文缺失、隱性業務規則與測試盲區依然存在。更棘手的是,AI 能一次提交大量變更,錯誤也會隨之被批次複製。

Cisco 總裁 Jeetu Patel 將這項安排與 Gen Z 工程師培養及入門職位的變化連結起來。據 Fortune 報導,重點在於重寫遺留程式碼,而不只是生成更多程式碼。

這則消息也登上 Hacker News 首頁,獲得 101 分與 112 則留言。工程師真正關心的顯然不是「無限」二字,而是當無限額度進入生產流程後,誰要負責審查、驗證與事故責任。

原始報導:Fortune

無限 Token 究竟解決了什麼

Token 是模型處理文字時使用的計算單位,輸入與輸出都會計入。

生成一個新函式,可能只需幾千個 Token;但要將運行多年的模組遷移到新介面,並同步修改呼叫端、設定、測試與文件,消耗量就高得多。舊程式碼又常累積多年的修補,沒有人敢直接刪除重寫。

Cisco 的安排適合處理這類工作:

  • 將舊框架介面對應到新 API。
  • 批次更新相依套件與呼叫位置。
  • 為缺乏測試的模組補上初始測試案例。
  • 拆解超過數千行的重複邏輯。
  • 在不同執行環境之間轉換設定與腳本。

真正的收益不在於程式碼行數。假設遷移一個模組原本需要 12 人日,其中 7 人日用於查找呼叫關係、搬移程式碼與調整格式,AI 可能壓縮其中的機械性工作。

但剩下 5 人日的工作不會憑空消失:

  1. 確認舊行為是否真的應該保留。
  2. 找出文件未記錄的邊界條件。
  3. 判斷測試是在驗證需求,還是僅重現舊實作。
  4. 決定哪些相容性風險可以接受。

無限 Token 主要解決前一部分的成本,既不會自動補足業務知識,也不會承擔回滾責任。

還有一項容易忽略的成本:AI 變更越多,人工審查就越高昂。

如果只生成 500 行程式碼,核對幾個關鍵分支即可,效益可能成立;但若生成 5 萬行 diff,即使生成時間降到零,審查本身也會成為瓶頸。審查者必須重新建立對系統的理解,否則只能依賴表面測試亮綠燈。

Token 不等於無限的工程能力

遺留程式碼最難的地方,往往不是它做了什麼,而是它當初為什麼這樣寫。

典型例子是支付介面。程式碼中多出一次重試,可能是為了因應線上事故;某個欄位允許為空,可能對應特定客戶的特殊合約;錯誤處理繞過標準路徑,也可能是為了略過某個下游服務故障。

AI 能從程式碼與註解看出這些線索,卻無法憑空確認組織已經遺失的決策背景。

風險可以拆成四個層次。

上下文缺失

儲存庫裡可能有 README、設計文件、Issue、聊天紀錄與事故報告,但它們通常不完整,也沒有統一格式。

模型一次能讀取再多上下文,也不代表所有相關知識都存在於儲存庫中。缺少的資訊不會因為 Token 無限而自動出現。

隱性業務規則

許多規則從未寫進程式碼。

「訂單狀態只能依七種順序轉移」可能只存在於產品經理腦中;「歐洲客戶退款必須經人工複核」也可能只存在於營運團隊共用的文件中。

AI 重寫時可能產生邏輯完整、型別正確且測試通過的程式碼,卻悄悄改變了業務語意。

測試覆蓋不足

舊模組沒有測試,並不代表它沒有行為。

AI 補出的測試可能只是依照目前實作生成,再由同一個模型修改實作,最後得到一組彼此自洽卻錯誤的測試。這稱為測試與實作共同漂移。

更穩妥的做法,是先根據歷史工單、線上樣本與邊界條件建立獨立斷言,再讓模型修改實作。測試來源不能與實作來源完全相同。

錯誤被大規模複製

人工一次提交錯誤條件,影響範圍通常侷限於單一模組。AI Agent 卻可能將同一個錯誤複製到數十個呼叫位置,甚至複製進新生成的測試。

因此,Token 越多,越需要採取小批次變更。合併請求應依相依關係拆開,每一批都要能獨立驗證與回滾。

無限額度的合理用法,不是啟動一個 Agent 跑數天後再一次性審查,而是讓 Agent 持續提交小型 diff:一次遷移一個介面,一次補上一組邊界測試,一次更新一個呼叫端。

初級工程師的入門任務改變了

Jeetu Patel 將無限 AI Token 與 Gen Z 工程師培養、入門職位的變化放在一起討論。

問題不在於年輕人是否還能學寫程式。即使大部分樣板程式碼都由 AI 生成,理解程式仍需要親手撰寫、執行、除錯與修改。

真正的變化在於,第一份工程工作的內容可能不同了。

過去,新人可能從實作 CRUD 介面或撰寫單元測試開始。現在,這些工作可能恰好是最適合交給 LLM 的部分。新人接手的是 AI 修改過的模組,必須回答幾個更難的問題:

  • 這次變更解決了哪項需求?
  • 哪些舊行為被保留,哪些行為被改變?
  • 測試為何能證明變更正確?
  • 若相依服務異常,程式會如何降級?
  • 這段邏輯出問題後,多久能定位原因,誰有權限處理?

這類審查工作要求新人理解系統、限制條件與故障模式。它比照著規範撰寫樣板程式碼更接近資深工程師的工作,但也不應因此跳過基本訓練。

危險訊號是:團隊因為 AI 能生成程式碼,便不再安排新人從小型且完整的實作任務開始。新人只負責點擊「接受」並執行測試,最後雖然能提交 diff,卻無法獨立解釋系統行為。

更合理的培養方式,是讓 AI 承擔重複勞動,同時保留兩種練習:

  1. 先手寫小型模組,建立除錯直覺與程式閱讀能力。
  2. 再審查 AI 完成的完整變更,比較自己的方案與生成方案的差異。

前者訓練執行能力,後者培養判斷能力,兩者不能互相取代。

如何衡量 AI 重寫是否划算

「生成了多少行程式碼」不適合作為主要指標,因為它會刺激更多程式碼產生,也會掩蓋審查成本。

建議按模組建立遷移表,至少記錄以下五項。

指標 統計方式 主要回答的問題
遷移耗時 從開始到通過驗收的人工工時 AI 是否真的節省時間
缺陷逃逸率 上線後發現的缺陷數/全部缺陷數 驗證是否充分
回歸測試通過率 每次 CI 執行通過次數/總執行次數 變更是否穩定
人工複核成本 審查程式碼與日誌的分鐘數 生成速度的效益是否被審查成本抵銷
回滾率與耗時 回滾次數、回滾定位時間 風險是否可控

還應保留一組基準資料。

選擇相似模組,分別記錄人工遷移與 AI 輔助遷移的數據。否則團隊只能感受到「最近變快了」,卻無法說清省下的是遷移時間,還是把成本延後到測試與上線階段。

以下簡化腳本可用於記錄 CI 結果。它不會取代完整評測体系,但能把人工遷移時的資料格式固定下來:

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))

執行方式:

python summarize_migrations.py

腳本需要專案自行將 CI 資料匯出為 ci-results/*.json。欄位刻意保持簡單,是為了先讓指標運作,再逐步補齊。

除了數量,還要檢視錯誤類型。AI 重寫最常見的問題未必是語法錯誤,反而可能是:

  • 吞掉原本會拋出的例外。
  • 改變逾時與重試策略。
  • 遺失交易邊界。
  • 將非同步呼叫誤寫成同步呼叫。
  • 用預設值填補原本必須明確傳入的參數。

這些問題無法只靠最終測試涵蓋。必須先對照舊實作進行行為差異分析,再搭配生產環境指標持續觀察。

編輯觀察

Cisco 的無限 Token 比較像一次組織流程實驗,尚不是成熟的採購標準。模型成本下降後,AI 程式設計的瓶頸確實會從「能不能生成」轉向「能不能驗證」。但無限額度也可能製造一種錯覺:呼叫次數越多,系統改造就越快。

更值得關注的是它與過去的差異。過去,AI 程式設計主要協助工程師撰寫新程式碼;Cisco 這次則直接觸及遷移、測試與職位分工。程式碼審查從輔助環節變成主要生產環節,工程責任也沒有被模型接手。

未來的團隊會減少純樣板程式碼,卻不會降低對系統行為的理解需求。初級工程師可以更快提交第一項變更,但獨立判斷故障原因仍需要時間累積。Cisco 若能同時降低遷移成本、缺陷逃逸率與新人培養週期,這個案例才值得複製。目前 Hacker News 上 112 則留言的爭論,恰好說明「無限 Token」解決的是成本問題,而不是責任問題。

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