AI 编程AI Agent开发工具

写码提速 74%,交付只涨 14%:当人肉审代码和 AI 审查插件双双见顶,团队该怎么破局

过去两年里,使用编码智能体的团队普遍有一个拧巴的感受:每个工程师个人写代码和提改动的速度都明显加快了,但团队整体上线交付业务需求的节奏,似乎并没有快多少。

哈佛商学院和经济系的两位博士生 Fiona Chen 和 James Stratton 在 2026 年 11 月 14 日更新了一篇工作论文,用真实数据证实了这种落差。他们联合工程分析平台 Jellyfish(经企业客户授权)和领英数据,追踪了 2021 年 1 月到 2026 年 8 月间的 655 家企业、约 72 万名员工(其中近八成是软件工程师),一共整理了 4.45 亿条研发记录,把代码提交、拉取请求(PR)和最终上线的任务工单完整串联了起来。

对比早晚采用这些工具的企业之后,他们看到了一个明显的剪刀差:早期的代码补全助手(如 GitHub Copilot)对最终交付几乎没有拉动;而半自主的编码智能体(如 Cursor Agent 和 Claude Code)在引入 12 个月内,让工程师写代码的单小时效率提升了 73.7%(据研究团队测算),代码提交量也涨了 36.0%。可落到最终部署上线的已完成工单上,增幅只有 13.7%,涨得非常有限,勉强算有点效果、差点和没涨差不多。研究团队用大模型评估了工单难度,排除了任务变大的解释,也检查了线上故障报告,发现软件质量并没有恶化。

虽然团队写了更多代码,但最终交付的功能并没有按比例增加。问题的症结在于代码审查,而且大多数团队最直观的两种应对策略,在这项研究中都已经触顶。

为什么让大家多花时间审代码已经走到头了?

面对堆积如山的 PR,研发主管的第一反应通常是少写点代码、多抽些人手去审。哈佛团队的数据说明,这 655 家公司其实早就这么干了,而且已经走到了极限。引入智能体 12 个月内,企业把工程师花在写代码上的工时削减了两成多,往审查环节增配了四成多。算下来,审代码已经占到编码与审查总工时的 49.2%。但抽人去审的同时,写代码的人手也在变少,一增一减之间,按照研究团队的测算,只要审查时间再多一点、超过 49.4%,写和审两道工序就会刚好打平,再多挪人反而会让上游写出来的代码不够审。继续在团队内部挪时间,最终交付的工单增幅最多只能从 13.7% 挪到 14.1%,腾挪空间已经榨干了。

内部挪人之所以受限,是因为审核代码的人并不能随便互换。真实记录显示,82.8% 的代码审查由以前改过这个仓库的熟手完成;如果按随机分配来算,熟手恰好审到熟悉仓库的比例只有 17.2%。类似地,高级工程师编写的代码有 75.7% 由另一位高级工程师来审。

现实往往还会往反方向加码。论文访谈中有一位工程师提到,团队在 AI 提交的代码引发几次线上故障后,立了一条新规矩,要求所有 AI 生成的代码都必须经过高级工程师审批。原本就稀缺的资深老手被进一步压垮,代码库越复杂的企业堵得越狠,在仓库数量最多的前三分之一企业里,PR 合并时长直接暴增了 69.7%。

从整体上看,编码智能体的加入让一条 PR 从提交到批准的总时长延长了 56.1%,收到的修改评论增加了 38.6%,而每小时的审查效率反而下降了 7.0%。线上故障率之所以没有恶化,背后是 PR 审批周期拉长了将近六成、团队向审查端增配了四成多人力,把不少风险挡在了上线之前。代价则是前端多出的写码产能全都淤积在了审查队列里。

哈佛研究显示的传导衰减漏斗:写码效率提升 73.7%,经过 49.2% 已逼近 49.4% 上限的审查人力配比、82.8% 的熟手壁垒与拉长 56.1% 的审批时长后,最终交付工单仅增长 13.7%。

既然人挪不动了,为什么近八成公司装了 AI 审代码插件也没用?

人手实在腾挪不动,行业的第二个本能反应就是用 AI 来审 AI,买一套 CodeRabbit 或 Copilot Reviewer 之类的代码审查插件挂到仓库里。

哈佛的论文还扫描了 GitHub 上 70 多种 AI 机器人账号,发现了一个扎心的细节:到 2026 年 7 月为止,样本中已经有 79.1% 的企业用上了 AI 辅助审查工具,渗透率相当高。可等到真的合并代码时,所有审查评论中只有 23.3% 来自 AI,全部 PR 中只有 10.8% 收到过至少一条 AI 评论。大多数改动还是靠人眼把关。

企业装了 AI 辅助审查工具,为什么仍然不敢完全放手?因为审查的方式没有改变。不论是资深程序员盯着屏幕看代码差异,还是买 AI 插件扫描代码差异并留下评论,本质上都是静态阅读。静态阅读有两个弱点:一种情况是,一段代码在字面上可以写得滴水不漏,但在执行时却会破坏业务状态;另一种情况是,编写代码的模型和阅读代码的模型共享同一套盲区,模型在写代码时忽略的边界条件,AI 在静态审查代码时也会一模一样地漏掉。

这也是我为什么在 2026 年 10 月那篇讲代码审查还剩什么的文章里提到,单纯靠人肉通读或者用 AI 泛泛挑刺,救不了高吞吐的研发队列。哈佛论文的长期模拟也给出了同样的预警:如果审查和验证本身的效率停在原地,哪怕未来模型写代码的能力继续成倍狂奔,企业软件产出在撞上高级工程师比例上限后也会停滞。

从看代码到跑程序:为什么普通单元测试不够,要换成系统边界上的三类测试?

就在哈佛那篇论文刷屏的同一周,Anthropic 旗下 Claude Code 团队的工程师 Addy Osmani 在 2026 年 11 月 16 日公开分享了他所在团队的验证方法论。团队自报大约 90% 的代码由 Claude 编写并审查。整个思路把问题向前推了一步:与其等 PR 提交之后再让人或 AI 去看一眼,不如在提交之前就逼着智能体提供程序运行的客观证据。团队认为,没有这种验证闭环,工程师一次只能盯着一两个 Claude;有了闭环,才能并行跑起几十上百个。

听到这,有人可能要问,这不就是让 AI 自己写代码自己测,回归到传统的测试驱动开发(TDD),写满单元测试吗?我在《为什么 TDD 反而不是 AI 时代的答案》中解释过这个问题。传统单元测试着眼的是函数内部路径,一旦把测试变绿当成唯一考核目标,AI 就会像应试刷分一样寻找绕过真实逻辑的捷径;同时写功能又写单元测试,也会让模型共享同一套思维盲区。

真正能管住智能体的测试,需要把视角从代码内部路径拉回到系统边界,只盯着最终结果和不能碰的底线。Claude Code 团队重点投入的三类测试就落在这个边界上。

第一类是端到端测试,并在仓库里配好实跑的操作说明书。单元测试全绿照样可能把核心功能改坏,端到端测试则很难糊弄过去,它会真的走一遍用户流程,要么整个功能跑通,要么报错并贴出页面截图和卡在哪一步。团队在贴近业务代码的目录下放了一个专门的 verify 技能文件,写清楚怎么启动手机模拟器、怎么调浏览器或本地服务。Claude 提交前会按这份说明把改动真跑一遍。如果失败,它就在本地先修,连修 3 轮还不行才停下叫人。这样最耗老手精力的首轮返工就被挡在了提交前的本地沙盒里。

第二类是性质测试,用来打破 AI 的同源偏见。普通测试靠的是人想好的几个例子,性质测试先定一条不能破的规矩,比如账户余额永远不能为负,或者数据压缩再解压必须还原原值,然后用 Hypothesis 或 fast-check 生成几千个随机对抗输入去轰炸代码。这些刁钻输入不是大模型自己想的,专治大模型写代码和写测试都会漏掉的死角。

第三类是差分测试,适用于大规模重构和系统迁移。团队不让工程师一行一行核对新旧代码,而是直接把旧系统当成标准答案,把随机输入或线上真实流量抽样同时喂给新旧两套系统,去掉空格等无关格式差异后比对输出,一旦有差别就立刻报警。

说到这,很多工程师的第一反应会是算一笔账:每次改代码都要搞端到端实跑、性质测试和差分测试,岂不是只有 Anthropic 自己用无限 Token 才玩得起?其实 Addy Osmani 在原文中已经算过这笔经济账。让智能体写测试、基准和规格说明是一次性的 Token 成本。这些测试一旦写成普通程序代码,往后每次提交前反复运行都是确定性的普通软件,几乎不再消耗额外 Token。用一次性的大模型投入买断后续成百上千次审查的人力,普通团队也能算得平。

传统静态审查与提交前边界验证对比:左侧依靠老手和 AI 插件静态读代码差异,陷入高等待与同源盲区;右侧通过本地 verify 实跑三轮自修、性质与差分测试,以及主干只读规则在提交前拦截问题。

把验证交出去之后,怎么防 AI 偷改规则、又把老手经验沉淀下来?

把验证闭环交给智能体后,一个很现实的隐患立刻会出现。如果智能体在本地改了 3 轮还是跑不通测试,它会不会顺手把报错的测试删掉、加一段等待时间糊弄过去,或者干脆在这次改动里把审查规则改松?

Claude Code 团队针对这种耍滑头的心态,定了一条明确的规定:被审查的改动不能改评判它的规则。他们的审查系统永远只从主干分支读取审查规范 REVIEW.md,不读当前 PR 分支改动的版本。审查通过也只绑定具体的一次提交,审查期间只要作者又推送了新代码,旧的通过记录立刻作废。遇到偶发失败的测试,Claude 不能跳过、靠加延迟等待蒙混过关,或者反复重试直到碰巧通过;实在查不出根因,宁可在提交记录里公开删掉这条测试并写明原因,留给人类事后复查,也不许留着假绿灯骗人。

另一个挑战是如何克服哈佛论文中提到的 82.8% 熟手壁垒。老手之所以难以替代,是因为他们脑子里装着过去几年踩过的各种坑。Claude Code 团队把历史上的踩坑经验沉淀为 39 条可靠性检查清单,但不每次都把这 39 条全丢给模型。每条规则都明确了从代码差异中能读出来的触发条件,比如只有修改了会话存储或消息类型,才会触发检查旧会话记录能否安全加载。每次 PR 通常只会触发 3 到 10 条规则,一旦需要人类老手介入,检查程序也要写明触发原因,避免评审者在几百行代码里盲目猜测。

为了避免规则越滚越多变成形式主义,团队对新增规则设了一个很高的门槛。从人工评论和线上回滚里提炼的新模式,必须至少在 2 个 PR 里出现过、能从代码差异识别出来,还要先派 3 个智能体去尝试反驳,反驳不倒再交给人类审批合入。

在推进这些自动化门禁时,团队配了三项不拖慢开发节奏的配套做法。首先,每次提交都会记下验证方式,哪怕是未验证也会如实标明,方便事后追溯。其次,新门禁一开始只用观察模式记日志排查误报,等运行稳定了再切换到强制拦截。最后,即使在强制模式下,如果同一轮开发会话里连续被拦了 2 次,第 3 次也会允许带着文字说明放行,避免把智能体彻底锁死。

当然,在理解这两份资料时也要留出合理的边界。哈佛的论文目前是未经过同行评审的工作论文,数据来自商业平台 Jellyfish 的企业客户,大多是成立近 20 年、平均上千人的中大型成熟公司,初创小团队的协作阻力未必这么大。Claude Code 团队说的 90% 代码占比和 39 条清单属于官方团队自报口径,没有第三方独立审计,其中差分测试也依赖现成的旧系统当标准答案,全新业务很难直接照搬。

但无论如何,这两则来自不同视角的观察已经指向同一个趋势:一旦编码成本大幅降低,单纯压榨资深工程师做代码审查、购买 AI 插件做静态差异检查,或者回到函数级单元测试的旧路,都很难突破交付效率的天花板。接下来决定研发团队差距的关键,是能否把老手脑子里的业务底线沉淀成一套边界验证机制:它能在提交前自动实跑,往后不再持续烧 Token,而且规则牢牢锁在主干里。

鸭哥每日手记

日更的深度AI新闻和分析