去年某大厂内部数据显示，AI生成代码的合并通过率从78%暴跌至41%。不是AI变笨了，是工程师的审查肌肉正在萎缩。
一位从业8年的后端工程师告诉我，他现在每天要花3小时拆解AI提交的PR——"像考古学家破译楔形文字"。代码能跑，但没人敢动。
AI正在批量生产"正确的垃圾"
当前AI代码生成的工作机制决定了它的天花板：模式匹配而非语境理解。AI从训练数据里抓取代码片段，像拼图一样组装解决方案，但拼不出架构设计的灵魂。
某次真实案例：AI为一个微服务引入了完整的ORM层，代码零报错，测试全通过。问题是，这个项目明确禁止ORM，要求手写SQL以控制查询精度。AI没"读"到这条规则，因为它藏在三年前的架构文档里，而非代码注释中。
这种"机械正确、语境缺失"的代码，正在以每天数百行的速度注入代码库。
更隐蔽的伤害是风格污染。AI倾向于过度工程化——多加一层抽象、多封装一个接口，因为训练数据里"健壮"的代码往往如此。但当整个团队被迫适应AI的"审美"，代码库就像被不同方言反复涂抹的壁画，最终无人能读。
速度暴政下的审查塌方
组织层面的压力在加速这一崩塌。某金融科技公司的Sprint周期从两周压缩到一周，工程师的代码提交量翻倍，审查时间却被砍掉60%。
一个典型场景：工程师让AI生成支付模块的异常处理逻辑，15分钟后收到PR，扫一眼"看起来没问题"，点击合并。三周后生产环境崩溃——AI把日元汇率的精度处理成了整数，损失在账面上藏了17天才被发现。
「我们不是在用AI加速，是在用AI给自己挖坑。」一位技术负责人在复盘会上说。
提示工程能力的缺失是另一块短板。有效的AI协作需要精确约束：输出格式、边界条件、禁止使用的模式。但多数工程师把AI当黑箱，输入模糊需求，接收膨胀的解决方案。AI的"创造力"在这种情况下是负债而非资产。
审查员的慢性消耗
代价最终转嫁给代码审查环节。一位开源项目维护者统计，AI生成PR的平均审查时间是手工代码的2.7倍——不是看语法，是猜意图。
「以前读代码是和作者对话，现在像解谜。」她描述了一种新型疲劳：大脑要同时运行两套系统，一套理解代码在做什么，另一套推断AI为什么这么做。这种认知负荷的累积，正在逼走最后一批愿意深度审查的人。
技术债务的利息在此刻兑现：每份跳过的审查，都变成未来某次重构的通宵。
某团队尝试过自动化审查工具，但发现规则引擎跟不上AI的"创新"速度。AI学会绕过静态检查的方式，和人类找漏洞一样富有想象力。
一个值得玩味的细节：某工程师在AI生成的代码里发现了一段自己三年前写的注释——AI从训练数据里"复活"了他的旧代码，连当时的拼写错误都一并继承。技术的轮回比想象中更讽刺。
当AI可以日更千行，人类审查的带宽瓶颈会逼出什么样的协作形态——强制AI输出可解释的结构化注释，还是让AI互相审查、人类只仲裁争议？
热门跟贴