Addy Osmani 作者

针对AI生成代码时代的代码审查实践提出新框架，核心观点是逐行阅读不再必需，但每处变更仍需人承担审批责任。作者提出行业转型速度取决于检查成本与失败修复成本两个变量，区分了代理审查加人工审批的可行路径与单纯放弃审查的崩盘路径，并给出个人执行者和管理者在Agent编码时代保持判断力与可解释性的具体行动建议。

针对遗留代码库中引入 Agent 工程的实践方法，指出核心问题是让隐性约束可见并保证改动可信，提出分区分级、自主性依赖影响半径与可恢复性、用特征测试锁住现行行为、完整迁移而非半成品、最后再并行化等原则，强调结构与维护资产比生成的代码量更值得投入。

AI代理提升交付速度，却可能跳过调试、犯错和反思等能力训练，开发者必须主动积累领域专业知识、判断力与验证能力，通过假设、提问、读差异、测试和复盘保持学习，并将经验沉淀为规则、测试和文档，让人和代理共同进步。

编码代理的技能包、CLAUDE.md和AGENTS.md会随模型、工具链与代码库演进而失效，过长配置增加令牌成本并可能降低效果；研究显示个性化技能和上下文文件对正确率提升有限，应定期审计、清理并通过测试验证保留价值。

讨论由 AI 编程代理驱动的软件工厂，指出其价值在于将代码任务转化为可重复、事件驱动且可验证的交付循环，而非单纯提高生成速度；人类仍需负责产品意图、架构、质量标准、风险判断和最终发布，并通过分层验证、隔离环境、清晰交接与人工边界控制自主程度。

阐释 Claude Code 与 Codex 的目标型、定时型和主动型循环如何驱动代理迭代完成任务，指出自动化必须以可验证的停止条件、独立验证代理和人工判断为边界，适用于结构明确的运维、分诊与修复流程，不适合主观创作。

随着代码代理以高吞吐量生成变更，传统人工代码审查无法独立保障质量，团队应在代理周围构建覆盖测试、静态分析、安全策略、环境反馈和发布流程的分层质量门与反压机制，并根据风险、产能和质量目标动态调整约束，将人工注意力集中于复杂判断。

分析 AI 代理驱动的软件工厂，指出生成代码已不再是瓶颈，真正约束是验证与人工判断；完全无人审查的暗工厂会积累理解债，合理做法是用架构、测试、类型和审查门控制代理自治边界。

AI 编程代理正在自动化初级开发者过去依靠重复练习获得的经验，导致入门岗位收缩但高级判断型岗位增长；开发者应主动训练代码品味、验证能力、系统理解和任务授权边界，把价值集中在选择正确问题、完成最后一公里和公开解决难题上。

智能体工程应由模型负责调查、实现、验证等内循环，人类负责外循环的质量证据、发布裁决和可解释责任；随着 AI 生成代码占比上升，瓶颈从生成转向审查、验证、理解和维护，团队需要用测试、日志、权限、审计与问责契约建立反压机制，避免认知投降、认知债务和编排成本失控。