Coding Agent 已经让你变成了一名管理者

Coding Agent 已经让你变成了一名管理者

Addy Osmani 在 《Your coding agents made you a manager》 里说,整天和 Coding Agent 一起工作的人,其实已经在做管理:挑任务、写说明、委派、跟进、评估结果,最后决定什么能上线。

我很认同。

过去,程序员主要通过自己编写代码来控制软件的质量。现在,Coding Agent 几分钟就能完成过去需要几个小时的工作,我们越来越多地把代码生产交给 AI,但代码生产得越快,一个矛盾就越明显:AI 写代码的速度越来越快,人理解代码的速度却没有同比提高。

这造成了整个社区长期的对 Code Review(以下简称 CR)的痛苦。

Agent 几分钟就能交出几百行代码,评审者却仍然需要花时间读懂这些改动。而评审者不一定熟悉这些改动的背景以及隐含的业务约束,而面对不熟悉的技术栈、上下游系统,在脑海里模拟代码的运行也越发困难。

对大量使用 Coding Agent 的团队来说,CR 正在成为最明显的效率瓶颈之一。

我在解决CR问题的过程中,读了不少社区实践,包括 Claude Code 团队的 《How the Claude Code team does code review》、Cloudflare 的 AI 代码审查实践,以及 Addy Osmani 关于 Agentic Engineering 的几篇文章。我逐渐意识到,CR 只是问题暴露出来的地方,并不是问题本身。

我们真正需要解决的是:当代码越来越多地由 Agent 生产,我们应该如何保障代码质量?又凭什么相信 Agent 交付的结果?

这些实践让我重新理解了软件开发中的质量保障。我也开始把其中的一些方法应用到团队里。

我觉得核心不在于某个 AI Review 工具有多好用,不存在这样的银弹,而是不断塑造更适合的开发全链路:在 AI 时代,我们应该怎样组织代码生产,以及怎样建立对 Agent 的信任。

一、信任不应该只建立在有人读过代码之上

先回到一个基本问题:我们为什么需要 Code Review?

Claude Code 团队把 CR 的目的归结为两件事:上线前发现并修正缺陷,以及让团队对代码库形成共同理解。

换句话说,读代码只是实现这些目标的一种方式。

过去,代码大部分由人编写,代码生产速度相对有限,让另一名工程师读一遍 diff,是一种成本可以接受的质量保障机制。

但 Agent 改变了这个前提。

代码生产能力大幅提升以后,如果我们仍然要求人逐行理解每一处改动,质量保障的成本就会随着代码量一起增长。

更重要的是,有人读过代码,并不意味着代码就是正确的。

人同样可能忽略错误,尤其是面对大量看起来合理、命名规范、测试齐全的 AI 生成代码时。

最近审 CR,我明显感受到这种变化。

好的一面是,代码里低级错误少了很多。大部分提交都有单测,有些还附带 E2E 报告,构建和基础检查通常也能通过。

但新的问题开始突出:

  • 代码量太大,按过去的方式逐行读,非常消耗注意力。
  • 实现可能是正确的,但写法冗余,绕开了项目已有的公共逻辑。
  • 代码可以运行,却未必符合实际的产品需求。
  • 评审者不了解决策背景,很难判断为什么要采用某种方案。
  • 测试全部通过,也不意味着用户真正关心的行为得到了验证。

这些问题并不能简单地通过「找一个 AI 帮忙读代码」来解决。

因为 AI 同样可能出错,而且它可能审阅的准确度不及人,导致更多bug上线。

我认为这里需要区分两件事。

信任 Agent,是因为它通常能够完成任务;信任产出,是有足够的证据支持这一次任务确实完成得符合要求。 一个 Agent 过去写对过一百次,不代表第一百零一次不需要检查。

我们需要的是一套可以持续产生证据的质量保障机制,这个机制能证明,我们可以相信这一次产出。就像我们相信自己的人肉 review 一样。

二、不要只让 Agent 写代码,还要让它证明代码是对的

这是我从社区实践里得到的第一个启发。

质量保障应该发生在整个开发过程中,而不是等代码写完以后才开始。

Claude Code 团队的大量检查发生在 PR 创建之前。

Agent 写完代码,会运行测试、构建项目、检查实际表现,再由一个没有参与开发过程的新 Agent 审查 diff。

Boris Cherny 曾估计,配备有效验证流程可以让 Claude 的产出质量提高两到三倍。

这背后有一个很简单的逻辑:如果 Agent 没有验证工作的能力,那么「看起来完成了」就容易成为它判断任务结束的标准。

于是,人只能在最后充当测试套件。

从代码检查走向行为验证

这也是为什么我越来越重视让 Agent 真正运行代码。

比如,我们团队有一条给文档页新增顶部菜单的 CR。

菜单通过事件总线发出字符串 'pdf',接收方却从事件里读取 e?.key。结果是用户选择 PDF,最终导出的却是 PPTX。

这条 CR 并不是没有测试。

新增的测试验证了菜单能力已经注册,但没有真正点击菜单,也没有检查最后导出的文件类型。

如果只看代码结构、命名和已有测试,很容易觉得没有问题。

后来,我让 Agent 顺着真实用户路径检查这个功能,并在 jsdom 里使用真实组件构造了复现。

结果很明确:新菜单的用例失败,旧菜单作为对照通过。

到这里,问题才从「这段代码看起来可能有 Bug」,变成了「在这个具体场景下,新旧菜单产生了不同的行为」。

我觉得这两种结论的可信度完全不同。

前者是对代码的推测,后者是对软件行为的验证。

当然,运行测试也不意味着可以完全信任结果。

测试通过究竟意味着什么?它是否覆盖了用户真正关心的行为?Agent 有没有为了通过测试而故意只写乐观的测试?

这些问题仍然需要人来管理。

我在团队里的做法

第一步很简单,修改 repo 的 AGENTS.md。

要求 Agent 在开发阶段补充测试,在交付前真正执行单测和 E2E,并明确报告执行结果,而不是只声称「测试应该可以通过」。

第二步,是在拿到 CR 链接以后,再做一次独立检查。

我把这个流程整理成了一个 Skill,让多个上下文相互独立的 Agent 并行检查:

  • 一个从需求和验收条件出发,检查功能以及失败路径。
  • 一个检查共享调用方、跨模块契约和潜在影响范围。
  • 一个检查测试覆盖,并尝试构造最小反例。

这里借鉴了 Claude Code 团队的多 Agent 审查思路,但我做了一点调整。

他们会通过多个 Agent 的判断来过滤误报。我不太愿意把「多数 Agent 认为没问题」直接当成代码没问题的证据。

因为多个 Agent 可能共享同一种错误理解。一个少数意见,反而可能指出最严重的问题。

因此,我尽量让第一轮 Agent 独立检查,不预先告诉它们我的怀疑;对于重要发现,再交给没有提出这个问题的 Agent,重新回到源码和运行结果中验证。

我还要求报告明确区分不同证据:

  • 只是阅读代码后推断有问题。
  • 已经构造场景,复现了失败。
  • 自动化测试通过。
  • 已经在真实环境中验证。

它们的证明力不同,应该得到不同的注意力。

三、Agent 不知道的事情,往往才是最重要的

第二个问题是上下文。

Cloudflare 在介绍自己的 AI Code Review 系统时,很坦诚地提到了 AI 审查器的局限。

它能够读取 diff 和附近的代码,却不一定理解系统为什么这样设计;可以发现 API 契约发生变化,却不一定知道所有下游调用;也很难仅凭静态 diff 判断某些依赖时序的并发问题。

这些问题有一个共同点:缺少的信息往往不在这次 PR 里。

一个有经验的工程师看到某段代码,可能立刻觉得不对劲。

这未必是因为他读代码比 AI 快,而是因为他知道很多代码之外的事情。

比如这个逻辑以前为什么要这样写;某个看起来多余的判断是在防什么问题;团队为什么放弃过另一种实现;一个公共方法还有哪些不容易发现的调用方。

这些东西构成了工程师对代码库的长期理解,也就是我们平时说的经验,或者一种工程嗅觉。

代码记录了最终的实现,却不一定记录了我们为什么选择这种实现。

Git 能告诉我们代码发生过什么变化,但那些被否决的方案、历史上踩过的坑、隐藏的业务约束,往往只存在于少数工程师的脑海里。

对 Agent 来说,如果这些信息没有被记录或提供给它,即使能读懂每一行代码,也很难做出同样的判断。

把工程嗅觉变成 Agent 能使用的上下文

Claude Code 团队会用 CLAUDE.md 记录技术栈、项目约定和目标,用 REVIEW.md 描述代码审查时需要重点关注的风险。

这给了我很大的启发。但我觉得,还可以更进一步。

如果我们希望 Agent 具备类似人的工程嗅觉,就需要把过去依赖人记忆的东西,沉淀成它可以查询和使用的上下文。

为此,我在团队里推进了历史决策记录。

第一步,是记录决策,而不只是记录代码变化。

对于存在技术取舍的改动,尽量记录当时的背景、最终选择的方案,以及为什么放弃其他方案。

比如一段看起来可以简化的逻辑,可能是为了兼容某个历史场景而保留的。没有上下文的 Agent 可能直接将其删除;有了决策记录,它就能先了解当时为什么这样设计,再判断这些约束今天是否仍然成立。

我希望记录的不只是「做了什么」,还有「为什么这么做」。

第二步,是让历史决策重新参与开发和 Review。

历史决策记录不应该只是一份供人查阅的文档,而应该能在不同阶段被 Agent 使用。

在开发阶段,Coding Agent 可以参考相关决策,理解现有设计的理由,避免重复踩坑,或者无意间破坏历史约束。

在 Review 阶段,Agent 可以结合历史决策与当前 PRD,理解这次改动试图实现什么,再对照实际代码,判断实现是否符合预期。

此外,一些反复修改、容易出问题的地方,也可以通过历史决策被识别出来。经过人工确认后,将这些经验沉淀到 REVIEW.md,调整后续审查的重点。

这里有一个我觉得很有价值的地方:历史决策记录不仅保存过去的结论,也保留了工程师做出判断的过程。

从一个 Commit 到另一个 Commit,代码发生了什么变化,背后想解决什么问题,为什么选择这种实现。这些信息既能帮助 Agent 理解代码,也能帮助评审者更快地了解改动背景,而不必完全依赖自己对项目的记忆。

当新的开发和 Review 产生了经过验证的经验,又可以反过来补充历史决策记录。

过去,我们依赖有经验的工程师记住这些事情。现在,我希望让这些经验成为整个团队和 Agent 都能使用的资产。

四、信任需要积累

前两件事解决的是让 Agent 更有可能做对,以及让我们更容易发现它做错了什么。

但还有一个问题:

我们怎么知道这套机制真的有效?怎么让签字的人信任这套机制,而不是自己又去人工 review?

毕竟,我们的最终目标是 在更少人工介入的情况下,维持甚至提高交付质量。

我认为至少要关注三件事:

第一,真正的问题能不能发现。

尤其是那些过去已经造成过 Bug 或线上事故的改动。

第二,提出的问题到底有多少是真的。

大量误报会消耗人的注意力,也会降低开发者对审查系统的信任。

第三,额外的检查是否真正降低了整体成本。

如果 Review 时间减少了,但修复 Bug 和处理线上事故的时间增加了,那并没有真正实现提效,只是把成本移到了后面。

要建立的应该是对整套软件交付流程的信任,而不只是对审查器的信任。

可以建立这样一个逐步放权的过程:

最初,Agent 只提供 Review 意见,人仍然完整检查。

之后,在某一类低风险任务中,如果历史评估显示 Agent 能稳定发现关键问题,就让它承担主要检查,人只抽样复核。

再往后,对已具备充分验证证据的任务,可以进一步降低人工介入强度。

一旦出现新的漏报、回归 Bug 或线上事故,就重新提高检查强度。

最终形成:验证 → 评估 → 积累信任 → 调整人工介入 → 持续验证 的循环

五、人不再需要检查一切,但仍然要承担判断

如果 Agent 能完成编码、运行测试、检查改动,并给出足够的证据,那么人究竟应该做什么?

我觉得这才是「Coding Agent 让你成为管理者」这个比喻最重要的地方。

管理者基本不从事代码编写本身,他们的工作在于知道要完成什么、如何组织工作,以及怎样判断结果是否达到要求。

AI 时代管理 agent 也是如此。

现在,我越来越倾向于把注意力放在几个问题上:

第一,做出来的东西是否符合需求。

功能能不能跑只是起点。用户体验是不是符合预期?边界场景有没有考虑?需求本身有没有被理解错?

第二,实现方式是不是合理。

有没有复用已有公共逻辑?是不是引入了不必要的抽象?上下文有没有记清楚?三个月以后其他人还能不能修改?

第三,这件事情究竟该不该这么做。

是否违背了已有的架构决策?有没有更简单的实现?是否引入了与收益不相称的长期维护成本?

这些问题很难仅靠自动化测试回答。因为测试验证的是实现是否满足某些预先定义的条件,而判断这些条件是否合理,本身就是工程工作的一部分。

从审查代码到审查表现

我把这个变化理解为,从审查代码逐渐转变到审查表现。

从为代码负责,转变为为结果负责。

这并不是说不看代码,而是说看代码是一种保障质量的方式,不神话它。面对不同风险、不同类型的任务,应该采用不同的质量保障方式。

低风险、影响范围明确的改动,可以主要检查自动化结果,并快速浏览 diff。

涉及状态流转、异步时序、共享接口的改动,需要沿着真实用户路径和跨模块调用关系进行验证。

涉及权限、数据写入、计费、发布流程等高风险逻辑,仍然要在AI的基础上,花费时间查漏补缺仔细阅读关键实现。

也就是说,人应该从对所有代码进行同等强度的检查,转向按照风险分配自己的注意力。

六、把个人 Know-how 变成团队的工程基建

前面这些方法,单独看都是一些具体的实践:写 AGENTS.md、补测试、做多 Agent Review、记录历史决策、生成 CR 导读。

我目前把这些个人实践,从个人 Know-how,沉淀为组织化、可复用的质量保障能力。目前我的实践可以分成两层。

全局基建

这一层提供多个项目共同需要的能力。

包括可以真实运行代码的沙箱、流水线触发和消息通知、通过需求卡片获取 PRD,以及根据仓库生成和更新接口文档、代码解释的能力。

多 Agent 审查和运行时验证也可以在这一层组织。

它需要能够跨多个 repo 工作,方便前后端工程联合检查,而不是只看某一个仓库里的 diff。

Repo 级基建

这一层保存项目自己的知识和约束。

包括 AGENTS.md、REVIEW.md、历史决策记录,以及项目特有的测试和验证方式。

我的划分原则是:开发者高频使用、对日常开发有直接帮助的内容,尽量留在 repo 里;不同项目独有的上下文,也由项目自己维护。

两层基建配合起来,最重要的是让 Agent 在正确的阶段,获得正确的上下文,并执行正确的验证。

需求理解阶段,要知道目标和边界。

编码阶段,要知道工程规范、历史决策和可复用的实现。

验证阶段,要知道验收条件,并能够真正运行代码。

交付阶段,要提供证据、说明风险和未解决的问题。

这也是为什么我认为 AI 时代的代码质量保障,不应该只在 PR 阶段增加一个 AI Reviewer。

纯让 AI 读代码,怎么想怎么不可靠。

写在最后

以前,我们倾向于通过自己写代码、理解代码、审查代码来建立信心。

但在 Coding Agent 时代,代码生产速度会越来越快,我们不可能要求人的理解和审查速度与它同步。

这并不意味着应该降低质量要求。

相反,我们需要设计更好的机制,让质量不再依赖某个人是否有时间读完所有代码。让不读代码,也能对功能有信心。

AI 时代的软件工程,正在从直接控制代码的生产过程,转向设计和管理代码质量的保障机制。

目前,我把这件事归结为三个方向。

第一,用验证建立信任。 让 Agent 不只负责生成代码,还要运行代码、验证行为,并提供可以检查的证据。

第二,用上下文增加理解。 把人的历史教训、工程约束和技术决策沉淀下来,让 Agent 不只理解这次改了什么,也尽可能理解为什么要这样做。

第三,让人的注意力回到判断和责任。 根据风险决定检查的深度,把更多精力留给产品意图、架构取舍、用户体验,以及最终是否应该交付。

代码依然重要,但是我们控制代码质量的方式正在改变。

信任不是一次性授予的。AI Review 会误报,自动化测试会漏掉问题,历史规则也可能过时。我们需要不断验证这套机制,在它足够可靠的地方减少人工介入,在风险较高的地方重新接管。

我希望未来能够在越来越多的任务上,让 AI 的验证能力达到甚至超过人类 Reviewer 的水平。这是一个可以期待的方向。

回到 Addy Osmani 的话,你不一定想当管理者,但当你开始把代码交给 Agent 去写,同时仍然需要为最终交付的软件负责时,你就已经在做管理了。

喜欢这篇的话,可以用 RSS 订阅新文章,也欢迎在下面留言聊聊。

全部文章

我让 ChatGPT 和 Codex 开始共享工作记忆把 Obsidian 接给 ChatGPT:一次共享上下文的尝试Coding Agent 已经让你变成了一名管理者不用生成模型,我用 JavaScript 画了一段《星际穿越》小红书上很火的科普动画,AI 一帧不画也能做出来假如你在1995年的日本刚刚毕业想在旅行中多聊几句,我做了 Table Talk五年后,我重新搭起了自己的博客等级式平等主义与参与者立场那些做出另一种选择的我,现在过得怎么样?AI 时代,我们想摆脱怎样的工作?AI干活我领钱,幸福的烦恼UBI 入门:什么是全民基本收入?它能解决 AI 时代的收入问题吗?回北京一个月了,讲一讲我的感受人是最终的目的,工作只是生活的一部分看完《奥德赛》:英雄可以忏悔,但历史不会重来一张海报,让 AI 走进很多普通人的生活我们这一代人,还会有自己的伊萨卡吗?AI 让新人交付得更快,却不一定成长得更快AI会消灭狗屎工作吗我还没landing明白,就开始带实习生了Kimi让我感觉模型在加速变为水电煤通用 Agent 会吃掉多少专业 Agent?纪念碑谷和我的世界模型可以换,为什么腾讯、Google 仍可能赢 AI 下半场?阿里 Last DayAI 不懂我,所以我用 Obsidian 存自己的上下文如果今天高考,我依然会选计算机,但理由已经变了为什么越来越多AI创始人,都开始做Twitter、上播客了?AI时代,最稀缺的不是技术,而是主动性需要适应AI的不是工人,而是旧世界的分配逻辑拒绝PUA:“会用AI的人淘汰不会用AI的人”,是典型的优绩主义话术戒掉比较瘾——钝感与松弛圣彼得堡游记