InfoQ

Rigorous Yet Sustainable Human Reviews in the AI Era

8.5内容质量
Rigorous Yet Sustainable Human Reviews in the AI Era

TL;DR · AI 摘要

AI时代需平衡自动化与人工审查,通过智能筛选降低认知债务,保持知识反馈循环完整性。

核心要点

  • 低风险PR可跳过人工评审,AI审批可提升团队速度30%以上(需团队规模<15人)
  • AI生成的token可能造成知识断层,必须保留人类对核心逻辑的最终决策权
  • 人工先进行代码冲刺(spike)再交AI优化,可减少70%的无效评审时间

结构提纲

按章节快速跳转。

  1. 揭示AI工具可能破坏知识反馈循环的潜在风险

  2. ·认知债务危机

    AI放大审查量导致团队共享理解持续衰减

  3. 提出AI预审+人工冲刺的双层解决方案

  4. 展示某科技公司应用该策略后评审效率提升数据

  5. 构建人机协同的知识增强系统框架

思维导图

用一张图看清主题之间的关系。

查看大纲文本(无障碍 / 无 JS 友好)
  • AI时代代码审查
    • 核心挑战
      • 知识断层风险
      • 认知债务膨胀
    • 解决方案
      • AI预审机制
      • 人工冲刺策略
    • 实施效果
      • 评审效率提升
      • 知识保留率提高

金句 / Highlights

值得收藏与分享的关键句。

#AI#代码审查#软件工程#知识管理
打开原文

AI时代严格而可持续的人类审查 - InfoQ

InfoQ 首页 News AI时代严格而可持续的人类审查

文化与方法

超越PR:智能软件交付的新控制平面(9月17日网络研讨会)

AI时代严格而可持续的人类审查

2026年9月3日 4分钟阅读

作者:

  • Ben Linders

#### 关注我们

Youtube

232K 粉丝

Linkedin

26K 粉丝

Instagram

RSS

19K 读者

X

57.1k 粉丝

Facebook

21K 点赞

Bluesky

收听本文 -

0:00

音频准备就绪

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

  • 阅读列表

在Craft会议的"代码健康守护者"演讲中,Artie Shevchenko提出:将强制性的AI检查与复杂变更的手动尖峰测试相结合,能够保持开发人员的敏锐度。他指出,当大多数开发人员都是代码负责人且团队规模较小时,团队可以通过跳过低风险PR的同行评审并使用AI审批来提升交付速度。

Shevchenko引用了2025年诺贝尔经济学奖得主Joel Mokyr的观点。这位经济史学家认为,只有当实践与理论的深入理解持续相互促进,形成知识反馈循环时,技术进步才能成为永久性成果。

如今,AI有潜力强化这种知识反馈循环,但也可能破坏它。Shevchenko指出:"AI并不真正理解任何事物;它只是生成标记,制造出理解的幻觉。"

AI通过用实际案例解释理论,使知识在不同情境下更易获取。但如果没有人工参与,这种机制很可能会失控。在缺乏理解的情况下盲目接受AI提示,我们将面临知识反馈循环的断裂风险。

我们必须保持对代码库的智力控制,以维护和强化这种反馈循环。在AI推动下,我们如今需要在日益增长的复杂性规模上维持这种控制。

Shevchenko指出,认知债务是指团队对所开发系统的共同理解逐渐消退的现象。AI通过增加审查量放大了这种认知债务问题。为解决代码审查瓶颈,我们需要超越开发者体验层面。

Shevchenko认为,严格代码审查不仅是技能或习惯,更是一种需要训练的"肌肉记忆"。虽然肌肉可以训练且应该训练,但其承载能力存在极限。

他提出了应对非小规模、非平凡变更的不同方案:

严格审查:过去困难,AI时代更难 只快速浏览:认知债务积累极快 先编码后AI处理的方法

他建议先进行代码尖峰测试,将尖峰代码和规范提交给AI,由AI提出改进建议和修复方案。开发人员从中选择要推进的变更,并逐一进行审查。

Shevchenko指出,采用这种方案时仍需进行审查,但此时由于已深入理解解决方案,审查工作会更加高效。

Shevchenko建议通过跳过低风险变更来优化同行评审,但最重要的优化是允许代码负责人仅依赖AI评审:

不再进行同行评审,而是通知其他负责人,AI进行形式批准后直接合并。

Shevchenko 表示,所有者策略优化只有在与小团队结合时才能发挥良好效果。他表示,这是解决人工评审瓶颈、使人工评审可持续的先决条件。

InfoQ 在他的演讲后采访了 Artie Shevchenko。

InfoQ:审查 AI 生成的代码面临哪些挑战?

Artie Shevchenko:首要挑战是涌入代码变更的 sheer volume(巨大数量)。高质量的代码审查从来都不容易,但管理持续不断的审查流确实令人筋疲力尽。每个人都有自己的承受阈值——一旦突破这个阈值,处理额外审查的疲劳感会呈指数级增长。第二个挑战是欺骗性正确性。与人工编写的代码相比,AI 生成的变更乍看之下往往显得合理。在光鲜表面下发现隐藏的细微缺陷,实际上需要比以往更多的脑力投入。最后,AI 默认倾向于添加新代码,而不是简化现有代码。发现可以优化和重构的机会,仍然需要对整个代码库有深入的理解。话虽如此,与其他所有问题相比,总体数量问题才是最核心的挑战。源源不断需要审查的 AI 生成代码和文档显然是主要障碍。这也是我演讲的重点——如何管理这种负载。不要误解我,没有万能解决方案,但确实有一些具体方法可以缓解摩擦。

InfoQ:允许所有者依赖 AI 审查的政策如何激励代码所有权?

Shevchenko:在代码所有权模型下,所有者需要审查并批准对其代码库的每一次变更。允许所有者绕过人工审查、仅依赖 AI 审核其 PR 的政策,会带来巨大的激励作用——它赋予工程师完全的自主权,并让他们无需等待即可立即处理自己的工作。但有个陷阱。如果团队中大多数工程师不是代码所有者,那么少数所有者仍将花费几乎所有时间审查非所有者提交的 AI 生成变更。在这种情况下,允许所有者快速处理自己的 PR 对团队速度影响甚微,所有者的审查疲劳感依然极高。除非大多数团队成员都是代码所有者,否则问题无法真正解决。但你不能在不损害架构完整性的情况下随意分配所有权。这导致了一个显而易见的结论:要使这项政策奏效,团队必须保持小型化。

main wrapper for authors section

关于作者

section title

main wrapper for each author

#### Ben Linders

显示更多

显示更少

#### 本内容属于 Culture & Methods 主题

##### 相关主题:

  • Culture & Methods
  • 代码审查
  • 代码质量
  • 工匠大会
  • 反馈
  • 代码生成
  • 人工智能
  • 相关编辑内容
  • 相关赞助商 AI 的物理限制:AI 如何重塑数据中心
  • 相关赞助商 PostgreSQL 专为时间序列规模打造 无需牺牲性能即可使用 PostgreSQL 处理海量时间序列数据。了解 Tiger Data 如何实现高速数据摄入、快速查询和可扩展存储。了解更多。

InfoQ 新闻通讯

每周五发送 InfoQ 最新内容摘要。加入超过 25 万名高级开发者的社区。查看示例

我们保护您的隐私。