AI一年写出你三年都看不完的代码，别再拿代码审查当万能补丁了！
谷歌75%新代码由AI生成，Meta一年代码变更暴增220%可用功能却只涨36%，DX数据显示22%合并代码已是AI手笔——可你的代码审查流程还是十年前那套。一个人写代码，另一个人看，看完提意见，改完再看。这套流程在人类写代码慢的时候勉强够用，现在AI十分钟生成的东西，一个高级工程师要看一小时，而AI一天能写四百个这样的东西。排队等审批的队伍已经排到明年了。
问题不是AI写得太快。问题是你把太多东西塞进了代码审查这一个筐里。知识传递、新人培养、架构对齐、安全审查、质量把关——全都指望最后一个环节来解决。这不叫流程，这叫甩锅。
代码审查到底在审查什么
你打开一个pull request，里面可能改了十几个文件，几百行代码。你从头到尾看一遍，脑子里同时处理好几件事：这段逻辑对不对、有没有安全漏洞、架构上合不合理、写法是不是团队风格、新人有没有学到东西。
一个人同时干五份工，每份都干不好。
研究显示，大型科技公司30%到50%流向生产的缺陷，在代码审查时其实已经被看到了，只是没被抓住。不是审查者不认真，是信息过载。一个人要在几分钟内理解别人可能花几天写出来的东西，还要挑出所有问题——这本来就不现实。
谷歌做了个实验：让AI先过一遍代码，把明显问题筛掉，人类只看AI标记出来的高风险区域。结果呢？AI审查过的变更，线上缺陷率降低了55%。不是AI比人强，是AI替人干了那些机器能干的活，让人腾出手来干机器干不了的活。
但大多数团队还在让高级工程师一行一行看代码，包括空格和注释。
这就怪了。
你等的不是审批，是知识
Brian Houck在DX的文章里说得对：代码审查不只是找bug。它是知识传递的通道，是新人学习的窗口，是团队建立共同理解的机制。
但问题来了——为什么非要等到代码写完了才来传递知识？
Thoughtworks的CTO Rachel Laycock把这件事说得很直白：把东西做完、打包、扔给另一个人，然后才讨论“我们做对了没”——这个顺序本身就是错的。
你想让新人学习高级工程师怎么思考？让他坐在高级工程师旁边看对方正在想的过程。看一个成品，你只能看到结果。看一个人边写边改边骂自己刚才写错了，你才能看到思考本身。
你想让团队形成集体代码所有权？让一群人一起设计、一起写、一起部署。指望一个pull request来告诉所有人“嘿我改了这块代码你们看一下”——这不叫集体所有权，这叫通知。
你想让架构保持一致？在设计阶段就把人聚到白板前把事说清楚。等代码都写完了再让人来审查架构——改的成本已经高到没人愿意改了。
知识传递这件事，发生在写代码的过程中，不发生在代码写完后的审查里。
反馈越晚，成本越高
Thoughtworks有一条原则：缩短反馈循环。反馈有价值，就别取消它，把它挪到离决策更近的地方。
你写代码之前做个设计评审，改一个白板上的箭头需要30秒。等代码写完了再让人告诉你架构不对，重写需要三天。
你边写边和搭档讨论，发现方向偏了立刻掉头。等代码打成一个完整的pull request再让人告诉你“这个设计有问题”，你已经不想改了。
你让AI在本地就跑完lint、安全扫描、单元测试。等代码推到仓库再让CI跑这些，你已经去喝咖啡了，回来还得改。
反馈越晚，成本越高。这个道理不复杂。
但大多数团队的流程是：先写，写完再想对不对。
结对编程不是你想的那样
“结对编程太贵了”——这话我听过一百遍。
两个人干一个人的活，成本翻倍——这是小学数学。但小学数学解决不了软件工程的问题。
结对编程省掉的是什么？是写完代码之后的审查回合。是一个人卡住了查半小时文档的时间。是上线之后发现设计有问题连夜回滚的成本。是新人在黑暗中摸索三个月才搞明白系统怎么回事的时间。
有研究发现，结对编程能缩短开发时间，对代码质量产生正向效益。知识传递效率能达到64%，参与者获得的知识增量达到54%。
更重要的是——两个人一起写的代码，两个人都懂。一个人写的代码让另一个人看，另一个人永远不可能像作者那样懂。
AI来了之后这事更明显。AI生成的代码，作者自己都未必每一行都看得懂。你再把它扔给一个人类审查者——那不是审查，那是考古。
让机器干机器的活，让人干人的活
格式问题——自动化。
lint问题——自动化。
已知安全漏洞——自动化。
测试覆盖率——自动化。
能写进脚本的规则——全部自动化。
这些东西让人类一行一行看，纯属浪费。AI干这些事比人快一万倍，还不会累、不会烦、不会因为赶时间而跳过。
人类审查应该干的事是什么？是那些机器干不了的事。
架构决策对不对。业务逻辑有没有隐含假设。这段代码和系统其他部分的交互会不会出问题。这个设计三个月后好不好改。
这些事需要的是对系统的理解、对业务的判断、对未来的推演——不是对着一行代码找分号。
Meta的做法是把自动化测试和静态分析塞进审查流程的每一个环节。每个diff在人类打开之前，已经跑过AI生成的测试套件和静态分析。人类审查者的工作从“找明显bug”变成了“评估设计质量和架构影响”。
这才是正确的分工。
审查例外，不审查所有
不是说从此不审查了。
架构层面的大改动，需要团队一起看。跨越安全边界的变化，需要多一双眼睛；你不熟悉的系统核心模块，找个懂的人帮你把把关；你自己没把握的东西，主动找人看。
但这些东西是例外，不是默认。
默认应该是：大部分日常变更，通过自动化+结对+设计评审+测试，在到达审查环节之前就已经被验证过了。
默认不应该是：每一行代码都要排队等一个高级工程师点头。
AI能产生十倍代码的时候，如果每一行都要等人类审查，你没有创造十倍的工程组织——你创造了一个巨大的 backlog 和一个新的瓶颈。
认知债务才是真问题
Thoughtworks在2026年4月的Technology Radar第34卷里提了一个概念叫“认知债务”（cognitive debt）。
AI生成代码的速度超过了团队理解代码的速度。系统越来越复杂，团队对系统“为什么这样工作”的理解越来越薄弱。
代码审查挡不住这个趋势。你让人看diff，diff只能告诉你“改了什么地方”，不能告诉你“为什么要这样改”“这和系统其他地方怎么互动”“当初设计这个模块的人是怎么想的”。
你需要的是让工程师理解系统，不是理解diff。
怎么做到？设计阶段一起讨论。写代码的时候结对。架构决策写下来，不只是写在代码里，写在文档里、画在图里。重要的约束写成可执行的fitness function，系统偏离了设计目标它能自己报警。
这些事代码审查一件都解决不了。
Meta的220%和36%之间，隔着一整个流程
Meta内部数据：AI工具让代码变更增加了220%，但真正可用的新功能只增加了36%。
差了184个百分点。
这184个百分点去哪了？去了审查队列、去了重写、去了调试、去了理解别人（或AI）写的代码到底在干什么。
更糟的是，员工满意度从74%掉到了55%。人没变少，活没变少，但每个人都在看别人写的一大堆自己没参与过的代码。
Meta不是个例。DX研究了400多个工程组织，AI使用率平均增长65%，但pull request吞吐量只增长了不到8%。线性公司分析了810万个pull request，用AI的开发者感觉自己快了20%，实际端到端慢了19%。
感觉和现实差了39个百分点。
AI写代码的速度提升了，但整个系统把代码变成可用功能的速度没怎么变。瓶颈从“写代码”挪到了“审查代码”。
你优化了链条上最快的一环，然后发现其他环节卡得更死了。
最后说一个还没解决的问题。
Meta的研究人员最近发了一篇论文，讲他们怎么用AI做代码审查。里面提到一个现象：AI代码审查工具容易过度关注风格和最佳实践这类低价值建议，反而忽略人类审查者最关心的东西——正确性、安全性、性能。
他们把这个问题叫做“agentic drift”——AI生成的代码和开发者原始意图之间的偏差。
他们做了一个叫ARCTIC的系统来检测这种偏差，目前还在实验阶段。初步结果显示能减少5.76个百分点的代码偏差，零缺陷被归因于AI自审查的diff。
但问题没解决——如果AI写的代码偏离了人的意图，而审查这个AI的人也没看出来，那谁来发现这个偏差？
不是一个系统。不是一个流程。是有人在某个时刻停下来问了一句：“等等，我们原来想干的是什么来着？”
这句话，目前还没有任何AI能替人类问出来。