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。
评论
Enter 发送,Shift + Enter 换行
还没有评论,来说点什么吧。