﻿# 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

Published: 2026-11-20 · Language: zh

Original: https://yage.ai/share/ai-code-review-verification-20261120.html

Publisher: Superlinear Academy · 100% AI generated

[Article index](https://yage.ai/share/llms.txt)

[Other language](https://yage.ai/share/ai-code-review-verification-en-20261120.html)

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](https://fion.ac/jellyfish.pdf)，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。

<figure>
<img src="https://yage.ai/share/media/d2d3b6b1875f733a05932cb486e84d596f4c92b6c0824876eb5b7342a5221522.webp" alt="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%。" />
<figcaption aria-hidden="true">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%。</figcaption>
</figure>

## 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](https://yage.ai/share/ai-code-review-attention-bottleneck-20261019.html)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](https://claude.dev/blog/how-the-claude-code-team-thinks-about-verification/)。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》](https://yage.ai/share/tdd-not-ai-native-20260508.html)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。

<figure>
<img src="https://yage.ai/share/media/99acef0dcde565b4dd41ee3b4139d41b8ec7d86d53f2363824d5907f0c5c88fe.webp" alt="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。" />
<figcaption aria-hidden="true">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。</figcaption>
</figure>

## 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。
