AI时代,代码Review还有必要吗?
开发者公众号专属群聊
扫码加入获取更多一手教程、科技前沿报告
上海QEcon中,有一个热门的话题:AI时代,还有必要CR吗?这里谈谈一个一线开发思考,供参考。
01
一个需求,AI 一分钟 写了几百行代码,告诉我写完了。
OK,我瞅瞅,我盯着他写的代码,陷入了沉思,心想:这什么玩意?
看了半个小时后,貌似看懂了AI写的什么了。于是乎,我在群里at了大伙,一起帮忙看看…
这种场景已成了日常。每天我要CR别人的代码 ,别人也要CR我的代码。
大家都在猜AI写了什么?一个字:累。
AI在写代码上速度优势,在CR的环节统统还了回去!
体感就是:AI来了后,更累了 更慢了!
1.1 信任危机 与 旧的生产关系
”猜“代码的背后,有一个更加本质的问题:信任感在慢慢瓦解。
传统的CR建立在人与人的协同信任上,有时CR可以闭眼通过,为什么?因为我信任这个人!
但AI入场后,这个信息链断裂了,人与人之间夹了一个AI(一个概率模型)。
在信任上叠加一个概率,这听起来也太扯淡了。
CR困难也揭露出了一个更深层次的矛盾:
旧的生产关系,已经容纳不下新时代下AI的生产力
旧的分工模式、各种SOP、信任机制、考核机制…,这些非技术的元素如何适配AI是一个更加需要思考的问题。
1.2 CR稀释了我的注意力
卡尔・纽波特在《深度工作》中提出的观点:
知识经济时代,深度专注的认知能力是最稀缺、最不可替代的核心生产资料
从这个角度看,CR AI的代码 实际上就是在抢夺我们的宝贵注意力。
当注意力资源已经cover不了AI产生信息的速度时,大脑就宕机了。
针对这个问题《代码整洁之道》的作者比较极端,他在2026年7月23上公开表示:
他不再看AI写的任何代码,唯有如此,我才能发挥它的生产力。
这句话后面还跟着另一句话:
取而代之的做法,是用严苛的约束把这些智能体包裹起来:单元测试、Gherkin 验收测试、QA 流程、质量指标、变异测试、测试覆盖率,以及许许多多其他手段。
他给CR指明了一条路:用测试手段 确保代码的正确。
02
按这个思路走,有一个绕不开的问题,即:
如何构建100%的测试用例?
但遗憾的是,这个问题早有了结论(可参考 图灵停机问题、Rice定理):
对于任意图灵完备的程序,不存在一组测试用例,能够完备地证明该程序不存在任何缺陷。
那,工程上可以达到多少呢?
精耕细作的话,可以做到80%-90% 的覆盖。
剩余的10%-20%,用其他方式补偿,如下图:
对于测试,我们也需要用更加立体的角度去看:
2.1 方法10年前就有了,AI时代要怎么用?
以上的方法,并不是AI时代特有的产物,之前就已经很成熟了。AI时代这些理念 并没有改变。
这里我们需要思考的是:AI和这些方法如何结合起来?
而不是下面的场景:
简单的一句话,给我生成测试用例,这样的测试基本是自己骗自己。
结果就是AI通过一个错误的代码产生错误的测试用例,出现问题后,再次让AI反复写代码,无限循环这个过程。
这里很容易想到了,把多余的测试合并并提前,这不就是TDD的核心理念。
好,现在我们推导出了,测试要左移,但是要具体怎么去写测试用例呢?有没有一个相对可操作的方法。
2.2 从 信息论 的视角看测试
从信息论的视角看软件测试,软件测试可以被定义为信息捕获的过程:
一个没有测试的代码,实际上是一个高度不确定的状态(高熵),每增加一次测试,实际上是一次熵减。
但是在实践过程中,我们在写测试用例的时候,往往还是直接通过理解需求去写,这个中间貌似少了一些结构化的方法能体系的输出测试用例,这是什么呢?
我想是:建模。
建模把模糊的需求结构化,让我们可以通过结构化的方法写测试用例。
在自然语言描述的需求当中 ,只说清楚了 系统要做什么?大量的结构信息、协助、时序、数据、状态信息实际上都是空的,实际上从信息论的角度看,建模的本质就是在可控的补全这个过程。
通过类图和序列图,去构建对应的测试用例:
当我们构建完了测试用例,实际上也为AI验证代码补全了反馈信号,写代码的Loop自然而然构建成功,真正做到了,AI自己跑、自己验证。
以上的方法,一句话概括就是:我们通过建模的手段去构建测试用例,尽一切可能把测试左移动,去构建AI从写代码到自我验证的Loop。
03
但,光有测试就够了吗?远远不够!
即使一段代码功能上完全符合预期,测试也都可以通过。
但人可能完全读不懂,AI产生的负债让代码越来越难维护,这次可以,但是到那一天,线上就炸了。
所以长远考虑还是要 向内看。
3.1 为什么CR别人的代码很难?
首先我们要问自己,为什么CR别人的代码很难?
本质上因为我不知道这段代码做了什么事?因为什么?背景是什么?
所以实际上,真实的CR代码的过程就是在不管的问人问题,你为啥这样写…
而这个过程,就是就是在理解需求。
我们会发现,实际的思考链路如下:
到最后,会CR实际上是一个需求推导的游戏,这个游戏的逻辑,和写代码的逻辑正好相反。
写代码:实际上是正向推导,从需求出发,一步一步地向后推演。
CR代码:实际是回答这个代码是从什么地方来的,一步一步地向前推演。
所以,CR的过程,就是在构建这个思维链。
最后,我们会发现业务的逻辑,都需要从需求中得到印证。
另一个角度,为什么CR很难?
因为代码是线性的,缺失了架构信息。
这就意味这,一段代码的diff,人想要理解,一定要从一个起点开始看,并且要知道改动局部和全局的关系?从这个层面讲,理解代码最好的方式,就是理解代码背后的那个图,以及验证代码和建模的一致性。
所以核心的问题又回到了建模上。
3.2 AI与人的分工
讲到这里,我们会发现:
结合AICR,我们就有了明确的倾向性,如下图:
3.3 设计产物(上下文)要如何管理?
结合上面的上面我们分析CR的方式,即CR设计与测试集,但是这些产物要如何管理,其一致性如何。
要真实的需求开发中,我们实际在各个环节在拷贝上下文,人工在处理各个流程的环节,真实的场景可能是下图:
所以这里有一个更大的工程问题:上下文要如何管理?
我们需要一个工程化的方案,从需求的源头出发,全局管理中间的所有产物。
于是,我们做了一个产品(体验阶段),提供了如下能力:
1、每月3000的opus5.5额度。
2、把整个建模融入到了AI的交互中。
3、提供记忆的管理服务。
上海QEcon相关材料分享
链接: https://pan.baidu.com/s/1UE8oP0Q0E8E2SOdvO-bj9g?pwd=QESH 提取码: QESH
图文总结:https://live.photoplus.cn/live/pc/26832171/#/live
AI 逆向产物:https://sherlock.devcloud.woa.com/qecon/
感谢你读到这里,不如关注一下?👇