代码可以由 AI 生成,但目标由谁定义、质量由谁证明、事故由谁负责、下一代工程师又该如何成长?
11 月 2 日,OpenAI 公布了为 AI Coding 时代打造的新一代 Git 后端 Pando。
过去一年,Codex 带来的并行开发让 OpenAI 内部的分支、提交、合并和 CI 请求快速增长,原有系统一度出现推送缓慢、合并失败,可靠性甚至跌破 90%。Pando 上线后,在保持 Git 协议兼容的同时,将推送延迟中位数降低至原来的近五分之一,每天传输的 Git 数据已接近 1 PB。
几周前,Anthropic 则彻底将 monorepo 从 Git 迁移到自研版本控制系统 Scion。
Claude 带来的代码产能,让 Anthropic 日均合并量在四个月内从约 2500 次增长到超过 3 万次。为了接住这些代码,公司在五个月内同时完成了 Scion、代码审查平台 Antique、代码搜索和权限系统的建设。
OpenAI 选择重构 Git 的后端,Anthropic 选择重新发明版本控制。两条技术路线背后都指向同一个事实,即代码生成正在变得越来越便宜,真正开始承压的,是代码审查、测试验证、CI、架构治理以及组织本身。
当 AI 代码产出逼近 100%,软件研发真的会走向无需人工值守的“黑灯工厂”吗?
还是说,我们只是把写代码的成本降了下来,却把审查、维护、理解和问责的压力留给了未来?
今晚 7 点 30 分,CSDN「AI 进化论」直播栏目邀请来自小红书 PE Infra 团队负责人孙哲、腾讯高级后台开发工程师、项目组研发转型负责人任磊达和滴滴专家工程师、ABC 技术 AI Coding 平台负责人金晶围绕《黑灯工厂落地:当 AI 代码产出逼近 100%,组织怎么变》展开一场不回避争议的深度对谈。
直播亮点抢先看:三家大厂的一线实践者聊透「黑灯工厂」
外界经常把「 黑灯工厂 」想象成一套全自动魔法:人类写下需求,Agent 自动编码、测试、审查和上线。
但极高的代码产出背后,可能是数百亿 Token 的算力投入,以及大量没有被合并、最终被废弃的代码。
任磊达所在团队曾经历过一天生成 4.4 万行代码,最后全部废弃的教训,金晶面对的,则是 AI Coding 在数千名工程师中的规模化落地。
今晚的直播我们会追问:
如果 Token 预算砍掉一半,核心业务交付真的会慢一半吗?
管理层是否应该核算每个合并 PR 消耗了多少算力?
代码生成量快速增长,为什么业务交付速度没有同步提升?
第一次把 AI Coding 推向极限时,团队遭遇过哪些险些无法收场的事故?
代码产出接近 100%,并不等于业务价值也接近 100%。真正值得衡量的,或许不是机器写了多少代码,而是有多少代码解决了正确的问题。
面对 1500 行 AI Diff,人类还审得过来吗?
10 行手写代码,人们会认真讨论变量命名,而面对 AI 一次生成的 1500 行 Diff,审查者却可能直接滑到页面底部,点击「 LGTM 」。
当代码产出速度远远超过人的阅读速度,逐行 Review 还是安全底线吗?
今晚,嘉宾将进一步讨论:
代码审查是否应该从逐行阅读转向意图、风险、测试证据和运行结果?
哪些代码可以由机器自动批准,哪些核心逻辑必须由人类把关?
在企业的合规与风控要求下,什么条件满足后才敢不读代码就上线?
如果人工审查已经变成形式主义,新的质量门禁应该如何设计?
让 Agent 审查 Agent,会不会只是更昂贵的死循环?
越来越多团队开始采用“ 查杀分离 ”或对抗式审查:一个 Agent 写代码,另一个 Agent 专门找问题。
理想情况下,机器可以互相纠错。现实中,审查 Agent 可能陷入几十轮无意义争论,也可能与编码 Agent 一起修改测试,让错误代码顺利“变绿”。
直播将深入讨论:
编码 Agent 能不能接触负责给它评分的测试用例?
如何防止 Agent 修改测试、伪造结果或进行 Reward Hacking?
两个 Agent 如果互相妥协,系统如何发现?
自动生成的测试,怎样证明真的覆盖了业务风险,而不只是跑出了绿色结果?
机器互相挑错,并不会天然带来可靠性。没有独立验证、权限隔离和可追溯证据链,多 Agent 审查也可能只是把风险藏得更深。
代码量、PR 数、Token 消耗,都不能再代表研发效能
如果公司开始按照代码行数、PR 数量或 Token 消耗排名,最可能出现的结果不是效率提升,而是工程师为了“ 显得高产 ”制造更多代码、提交更多 PR、消耗更多算力。
而真正精简架构、删除冗余代码、提前避免错误的人,反而可能在数据上显得“ 没有产出 ”。
AI Coding 时代,哪些研发效能指标已经失真?
如何区分合理试错与无意义的 Token 狂欢?
应该关注代码接受率、返工率、缺陷率,还是需求交付周期?
如何让管理层看到真实业务收益,而不是被代码量制造的虚假繁荣蒙蔽?
黑灯运行半年后,系统还有人看得懂吗?
AI 可以快速生成补丁,却未必理解整个系统为何如此设计。
当越来越多代码没有被人类真正读过,组织会逐渐累积一种新的技术债——理解债。
系统正常运行时,它很难被察觉。直到周六凌晨出现 P0 事故,值班工程师面对一段完全由机器生成的故障代码,却不知道从哪里开始排查。
事故发生后,应该由谁负责?
是写 Prompt 的工程师、点击批准的负责人、搭建流水线的平台团队,还是模型提供方?
直播中,我们也会讨论「黑灯工厂」的责任边界:哪些业务可以全自动运行,哪些系统必须保留人工理解、审批与兜底能力。基础编码被机器接管,未来的架构师从哪里来?
过去的软件工程师通常从修 Bug、补单测和开发基础功能开始,在一次次失败中建立对系统的直觉。
如果这些入门任务全部交给 AI,新人可能跳过了怎么写代码,却也失去了理解系统、调试复杂故障和形成架构判断力的训练过程。
当工程师每天只剩下写 Prompt、看测试红绿灯和催流水线,他究竟是在获得更高杠杆,还是逐渐退化成“ 人肉质检员 ”?
今晚的最后一个问题,也许关系到每一位开发者:
当写代码变得极其廉价,软件工程师最不可替代的底牌究竟是什么?
直播福利
预约并参与直播,还有机会获得实物礼品及以下技术资料:
《Agent 实战训练营》录播课程
「AI 进化论」栏目特辑·往期精选回顾
《AI 原生软件研发成熟度模型报告》实体书
直播间实物礼品抽奖
代码可以由 AI 生成,但目标由谁定义、质量由谁证明、事故由谁负责、下一代工程师又该如何成长?
今晚,锁定 CSDN「AI 进化论」直播间。
点击预约直播,我们今晚见。
热门跟贴