譯者 | 核子可樂

審校 | 重樓

AI正成為加速代碼生成的有力推手，幫助開發者以前所未有的效率產出更多成果，為超高生產力、縮短開發周期、快速發布功能開啟新的可能。

但不少工程團隊也注意到由此帶來的趨勢：盡管單個開發者的代碼生成速度更快，但項目的整體交付時間并未縮短。這并非錯覺，METR最新研究發現，AI編程助手反而令資深開發者的生產力降低了19%。報告指出，“研究期間，開發者本以為使用AI能夠將開發周期縮短20%；可令人意外的是，啟用AI實際反而將完成時間拉長了19%。換言之，AI工具其實拖慢了開發速度。”

這種日益脫節的感受錯位，提示出“生產力悖論”。雖然開發生命周期中“代碼生成”這個孤立環節的速度大幅提升，但代碼審查、集成和測試等其他環節卻遭遇速度瓶頸。這也是現代流水線上的典型難題——單一環節的提速不僅不能讓整體效率增長，反而會造成嚴重的生產堆積。

本文將探討工程團隊如何診斷代碼堆積問題，重新調整工作流程以發揮AI速度優勢，同時避免犧牲代碼質量或加重開發者負擔。

AI生成代碼為何需要人工審核

生成式AI工具擅長生成語法正確、看似“可用”的代碼，但這種表象背后亦存在著危險的誤導。若未經深思熟慮和嚴格的人工審核，團隊很可能交付出技術上可行，但卻在安全、效率、合規和維護等方面存在嚴重缺陷的成果。

于是乎，AI不斷增加PR數量及相應代碼量，但可用的審查人員及其日均處理能力卻保持不變。若不加以控制，這種不平衡必然導致倉促、表面化的粗糙審查，進而引發bug和漏洞；而如果放慢審查節奏，開發者的工作也將被拖累。

更令人頭痛的是，開發者使用AI的具體方式也各不相同。目前存在三種開發者體驗（DevX）流程，其對整體團隊造成的壓力亦有所區別：

1. 傳統開發者體驗（八成人工、二成AI）：資深開發者將軟件開發視為一門技藝，對AI輸出持懷疑態度，主要用其處理搜索查詢或者解決一些小型樣板任務。

2. 增強型開發者體驗（五成人工、五成AI）：現代高級用戶能夠流暢與AI協作，完成獨立的開發任務、故障排查及單元測試生成，借此提高效率并快速解決具有明確定義的問題。

3. 自主開發者體驗（二成人工、八成AI）：熟練的敏捷工程師們會將大部分代碼生成和迭代工作交給AI智能體，自身負責審查、測試和集成AI輸出，更多扮演系統架構師和QA專家的角色。

不同工作流程對應不同的工具和支持需求，一刀切式的工具或純凈管理方法在多種工作模式間注定失敗。而唯一的共性，就是始終關注人類的參與和協調。

倦怠與瓶頸是風險根源

若不對軟件開發生命周期進行系統性調整，AI產出必將帶來更多下游工作。雖然快速生成上千行代碼看似效率極高，但隱性成本也會快速堆積，包括審查工作量增加、bug量累積、管理復雜性提高等。

人類開發者更傾向于創建較小的原子提交，以降低審查難度。但AI卻可能在一條提示詞下生成大量變更，導致審查者難以理解其整個范圍和影響。核心問題不僅僅是重復代碼，更在于理清這些變更所需要的大量時間與認知負荷。

METR的研究也進一步凸顯出這項挑戰。研究證實，即使開發者接納了AI生成代碼，也需要投入大量時間進行審查和編輯，方可確保其達到高標準：

75%的開發者表示他們會閱讀每一行AI生成的代碼，56%的開發者表示他們經常需要進行重大修改以清理AI代碼。在調查中，100%的開發者均表示AI生成的代碼需要修改。

質量保證方面同樣受到影響。以測試生成為例，測試覆蓋率當然重要，但AI的介入只是表面上提高了這項指標，但實際上很可能未進行有意義的行為測試。換言之，測試系統不僅需要完成預期任務，還得優雅處理錯誤并保證在意外狀態下不致崩潰。

如何針對AI調整工作流程

為了高效運用AI以擺脫這種悖論，團隊必須改進開發實踐與文化，將注意力從單一開發者產出轉向整體系統的健康狀況。

首先，領導者必須加強代碼審查流程，并在開發人員和團隊層面強化責任制。這需要為PR設定明確的可審查性標準，并授權審查人員駁回過大或缺乏上下文的變更。

其次，負責任地推進自動化。使用靜態和動態分析工具協助測試和質量檢查，但始終保證人工參與以解釋結果并做出最終判斷。

最后，協調預期。領導層必須明確，原始編碼速度只是一種虛假的效率指標。真正的目標是可持續的高質量產出，這需要一種平衡的方法，使質量和可持續性與生成速度保持同步。

除了文化上的轉變之外，以下兩項舉措也能帶來立竿見影的效果：

1. 建立通行的提示詞規則與上下文要求，引導AI生成符合組織最佳實踐的代碼。建立防護措施，防止AI產生幻覺或使用已棄用的庫，大大提高輸出可靠性。具體方式包括向AI提供上下文，例如經過核準的庫列表、內部實用函數及內部API規范等。

2. 在流程早期引入分析工具。不要等PR出現才意識到AI生成代碼不夠安全。通過將分析工具直接集成至開發者IDE，即可立即發現并修復問題。這種立足早期的方法可確保在成本最低時解決問題，防止其在審查階段成為瓶頸。

新的AI時代下，我們的訴求應當是構建更加智能的系統。工程團隊現在應專注于創建穩定且可預測的指導框架，引導AI根據業務標準生成代碼，并使用核準且安全的資源以保證輸出與整體架構相一致。

因此，生產力悖論并非不可避免，只要我們的工程系統能夠與AI工具同步發展。把握團隊成員的三種AI開發工作流程，即可成功邁出建立彈性更好、效率更高的軟件開發生命周期的第一步。

原文標題：The productivity paradox of AI-assisted coding，作者：Edgar Kussberg