觀點

Postgres 19 延期揭示:AI 寫程式不等於更快交付

Postgres 19 因缺陷增加而延期,顯示 AI 輔助開發雖能提高程式產出,卻可能讓審查、測試與維護的工作積壓更嚴重。本文從交付流程與品質指標切入,探討如何避免把生成速度誤當成發布效率。

字級

Postgres 19 延期了。作者 Brent H. Haas 認為,缺陷數量增加與 AI 輔助開發帶來的程式產出膨脹有關。本文分析 AI 從程式生成、審查、測試、修復到維護的成本傳導,並指出這項判斷目前仍需要資料驗證。

AI 究竟拉長了哪些工作

先把「AI 寫的程式品質差」這個過度簡化的結論放到一邊。

AI 輔助開發首先改變的是產出方式。需求拆解後,Agent 可以迅速產生樣板程式、介面轉接層、測試骨架與重複性修改。提交數會增加,diff 會擴大,功能分支也會持續累積。

真正被拉長的,是變更後的工作佇列。

過去,一項功能可能需要半天才能完成,review 與測試所需時間相對固定。現在,同樣的需求可能兩小時就出現一個可執行版本,但後面還排著:

  • 更多邊界條件是否都要涵蓋;
  • 更多相容性風險是否都要排除;
  • 更多生成程式是否需要人工確認;
  • 失敗測試由誰修復;
  • 後續版本由誰維護。

AI 並未消滅工程工作,而是把一部分工作從「實作」移到「驗證」。如果驗證能力沒有同步增加,工作佇列就會持續堆積。

原文的核心觀點並非「AI 只會製造劣質程式」,而是:AI 輔助開發提高了程式產量,也增加了需要審查、測試與維護的工作量。這是一種吞吐量放大效應,而非單純的品質下滑。

Postgres 的瓶頸已經改變

一般應用程式與資料庫並不屬於同一類專案。

應用程式可以採行漸進式發布,必要時也能回復至上一個版本。Postgres 則必須考量升級路徑、既有擴充套件、驅動程式相容性、複製行為、並行語意,以及長期支援多個主要版本的需求。

看似局部的修改,可能影響:

  • 既有 SQL 的執行結果;
  • 交易隔離與鎖定行為;
  • VACUUM、複製與備份流程;
  • 第三方擴充套件所依賴的內部介面;
  • 使用者升級時的遷移成本。

因此,Postgres 19 的發布標準不能只看「完成多少新功能」,還要確認候選版本是否留下數量更多、難度更高且更難以察覺的缺陷。

真正的關鍵不是寫了多少程式,而是變更半徑。AI 擅長快速擴大變更範圍,但範圍一旦擴大,風險也會跟著放大。

Postgres 的延期恰好說明,專案瓶頸已經改變:從實作功能,轉向缺陷修復與品質控管。

更多 Bug 不等於品質更差

「發現更多 bug」很容易被誤解成「生成的程式品質突然下降」。

兩者並不相同。

假設某個版本有 100 個缺陷。在 AI 出現前,團隊可能只測試最常見的使用路徑,最後收到 30 份報告。AI 擴大程式量與變更範圍後,測試涵蓋範圍也隨之擴大,最後收到 80 份報告。

80 並不一定比 30 更差。

如果新增的 50 個缺陷來自更深入的並行測試、遷移測試或異常路徑測試,報告增加反而表示缺陷更早被揭露。真正該關注的是:

  • 發布候選版本遺留多少高嚴重度問題;
  • 缺陷被發現後需要多久才能修復;
  • 修復是否引入新的 regression;
  • 團隊是否有足夠人手處理積壓。

因此,評估 AI 開發不能只數 bug,也不能只看提交數、生成行數或功能完成率。

更有用的指標是「有效交付速度」:

有效交付速度 = 通過驗收並可安全發布的功能數 / 週期時間

如果 AI 讓功能實作從 3 天縮短為 1 天,卻讓 review 等了 2 天、測試等了 3 天、修復又等了 4 天,它提升的是程式生成速度,而不是交付速度。

審查成為新瓶頸

AI 生成程式對 review 的影響,不只是程式行數增加。

人工審查通常適合驗證「程式是否做了預期的事」。面對大量結構相似、但細節不確定的生成程式,人很快便會失去耐心。review 容易退化成以下流程:

  1. 查看 diff,看起來像正確程式就通過;
  2. 執行一次測試;
  3. 檢查幾個明顯的安全問題;
  4. 相信 Agent 的說明。

問題在於,程式「看起來正確」與「行為確實正確」並非同一回事。

CI 也會承受壓力。生成程式通常會帶來更多測試、更多設定與更多組合分支。測試套件變長後,開發者會略過完整測試,本機回饋變慢,CI 佇列也開始積壓。

更隱蔽的成本出現在維護階段。AI 一次生成 500 行程式並不困難,但半年後要修改附近的邏輯時,團隊仍然必須理解這 500 行。生成成本下降,不代表理解成本也隨之消失。

更可靠的工程流程,是讓 AI 優先處理邊界明確且容易驗證的工作:

  • 依既有 API 產生呼叫程式;
  • 為失敗路徑補上測試;
  • 執行靜態檢查並修復明確錯誤;
  • 自動比較遷移前後的結果;
  • 將高風險變更拆成可獨立回復的小型提交。

而不是讓 Agent 同時修改核心執行路徑、相容性層與測試預期,再由人工審查一個巨型 diff。

HN 上 318 分的爭議

原文標題是:

Postgres 19 is late and it’s AI’s fault

Hacker News 討論頁獲得 318 分與 212 則留言。爭議集中在 AI 帶來的程式增量,究竟是增加了缺陷,還是放大了既有流程瓶頸。

支持原文的人,大致採取以下邏輯:

  • AI 製造了更多程式;
  • 更多程式意味著更多審查、測試與維護;
  • 專案管理能力沒有改變,產量增加反而造成積壓;
  • 對資料庫這類高風險軟體而言,局部提速並沒有意義。

反對「全是 AI 的錯」的人,也有充分理由:

  • Postgres 延期可能是時程安排、貢獻者分工與測試窗口共同造成;
  • bug 增加可能源於測試變得更嚴格,而非程式品質變差;
  • AI 只是放大原有流程問題,不能取代根因分析;
  • 在缺乏各版本提交、review 與缺陷資料對照的情況下,因果關係仍只是推測。

還有一類留言指出,AI 程式並非平均變差。它在樣板程式、文件、測試涵蓋與機械式遷移上很有效;在並行、協定細節與安全邊界上,人工設計仍然不可或缺。

因此,「Postgres 19 延期是 AI 的錯」更像是等待驗證的假設,而不是已經證實的因果結論。

原始資料:

編輯觀點

這件事的重要性,不只因一個資料庫版本延期。它揭露了 AI 開發常見的度量錯位:團隊把生成速度視為生產力,把提交量當成進展,把通過單元測試視為可以發布。當瓶頸轉向 review、並行驗證與缺陷修復時,這些指標反而會鼓勵團隊擴大尚未驗證的變更範圍。

接下來真正稀缺的,可能不是寫程式,而是驗證程式的能力。可執行規格、差異測試、遷移回放、靜態分析,以及依風險分配 review 時間,都比生成行數更接近真正的交付效率。Postgres 19 與過往版本不同之處,在於 AI 放大的並非彼此獨立的小工具,而是高度要求相容性、具備高並行複雜度且遷移成本高昂的核心系統。局部生成速度再快,只要驗證成本比 diff 增長得更快,整體週期仍可能被拉長。

但 AI 究竟對延期貢獻了多少,目前仍無法確定。318 分與 212 則留言只能證明討論熱度,不能證明因果關係。若要下定論,至少需要比較各版本的提交量、AI 輔助比例、缺陷修復週期與 CI 資料。否則,這更像是值得驗證的管理假設。

來源: http://rhaas.blogspot.com/2026/10/postgres-19-is-late-and-its-ais-fault.html