精华简报：More than just code review
来源专栏：Simon Willison (AI 实用工程化)
文章标题：More than just code review（不仅仅是代码审查）
文章链接：https://simonwillison.net/2026/Aug/22/more-than-just-code-review/
标签：code-review, coding-agents, generative-ai, agentic-engineering, ai, llms
TL;DR
本文指出，在编码智能体（coding agents）日益普及的背景下，工程师最需要培养的核心能力不再是逐行编写代码，而是自信地指挥智能体进行修改，并自信地验证这些修改是否正确落地。逐行目测代码从来不是验证软件变更最有效的方式；真正高效的验证应当依赖测试、自动化检查、运行验证等多元手段。这意味着工程能力的重心正从“写代码”转向“管理代码生成与质量验证”。
核心观点与洞察
1. 编码智能体时代的核心技能：指令能力 + 验证能力
文章将有效使用编码智能体的关键技能拆解为两个环节：
- 自信地指示（confidently instruct）：能够清晰、准确、可执行地向智能体描述需要做出的变更。这要求工程师具备将模糊需求转化为明确规格的能力，包括边界条件、约束、预期行为等。
- 自信地验证（confidently verify）：在智能体完成修改后，能够判断变更是否以正确方式应用，而不是仅仅“看起来改了”。
这一洞察的深层含义是：编码智能体降低了“写代码”的门槛，但提高了“定义正确性”和“验证正确性”的门槛。 工程师的价值不再主要体现在敲击键盘产出代码，而在于对软件行为的精确理解和质量把控。
2. 逐行代码审查不是最有效的验证方式
文章明确提出一个反直觉但重要的观点：
Eyeballing every line of code has never been the most effective way to validate a change to a piece of software.
逐行目测代码从来都不是验证软件变更的最有效方式。
逐行审查存在明显局限：
- 认知负荷高：大量代码变更时，人工逐行阅读容易遗漏逻辑错误、边界问题或跨模块影响。
- 无法验证行为：代码“看起来正确”不等于运行时行为正确。逐行审查只能发现静态问题，难以覆盖并发、性能、集成等动态问题。
- 效率低下：在 AI 可以批量生成代码的时代，如果仍然依赖人工逐行审查，验证环节会成为新的瓶颈。
因此，文章暗示：面对 AI 生成的大量代码，传统的“人肉 code review”模式需要升级为更系统化的验证策略。
3. 验证方式应当多元化
虽然文章没有逐一列举替代方法，但结合其长期观点和行业实践，可以合理展开为：
- 自动化测试：单元测试、集成测试、端到端测试是验证行为正确性的第一道防线。
- 类型检查与静态分析：在编译或 CI 阶段自动发现类型错误、空指针、未使用变量等问题。
- CI/CD 流水线：将验证嵌入持续集成，确保每次变更都经过可重复的检查。
- 运行验证与可观测性：通过本地运行、灰度发布、特性开关、日志、指标和追踪来验证真实行为。
- 契约测试与快照测试：验证接口契约和输出结构是否符合预期。
- Diff 审查 + 定向抽查：不再逐行阅读，而是聚焦高风险区域、关键路径或智能体容易出错的部分。
核心逻辑是：验证的目标是“行为正确”，而不是“代码看起来正确”。 因此，任何能够证明行为正确性的手段，都比单纯逐行阅读更可靠。
4. 工程能力的范式转移：从“生产者”到“管理者/验证者”
文章虽然简短，但指向一个更大的趋势：
- 传统模式：工程师主要承担代码生产 + 人工审查。
- AI 智能体模式：智能体承担代码生产，工程师承担需求定义、架构设计、验证策略制定、质量把关。
这意味着工程师需要具备更强的：
- 系统思维：理解变更对整体系统的影响。
- 测试设计能力：知道如何设计有效的验证方案。
- 工具链整合能力：将 AI 智能体接入现有质量保障体系。
- 风险判断能力：识别哪些变更需要深度审查，哪些可以依赖自动化验证。
启发与影响
对工程师个人
- 技能栈需要重构：除了编程能力，更需强化测试设计、自动化验证、CI/CD、可观测性等“质量工程”能力。
- 角色定位转变：从“代码编写者”转向“AI 编码的管理者与验证者”，核心竞争力在于判断力和验证策略，而非打字速度。
- 效率提升的关键路径：能否建立一套可信的验证体系，决定了能否放心地让 AI 大规模生成代码。
对团队与组织
- 代码审查流程需要重新设计：如果团队仍以“逐行 review AI 生成的代码”为主要质量关卡，将很快成为效率瓶颈。应引入分层验证：自动化检查先行，人工审查聚焦高风险决策。
- 投资验证基础设施：测试覆盖率、CI 速度、静态分析工具、可观测性平台等将成为 AI 编码时代的核心基础设施，其重要性不亚于代码库本身。
- 质量文化升级：从“相信人眼”转向“相信系统”，建立可重复、可度量的质量门禁。
对工具与行业
- 新一代验证工具的机会：围绕 AI 生成代码的验证需求，可能催生更智能的 diff 分析、行为验证、自动测试生成、AI 代码风险评分等工具。
- 代码审查工具的重心转移：从展示“代码变了什么”转向回答“行为是否按预期改变”，例如结合测试结果、运行时数据、影响面分析的智能审查面板。
- AI 工程化的成熟标志：当组织不再依赖人工逐行审查 AI 代码，而是建立起自动化验证闭环时，才真正进入“智能体工程（agentic engineering）”的成熟阶段。
一句话总结：AI 编码智能体真正考验的不是你能否看懂它写的每一行代码，而是你能否建立一套比“逐行目测”更可靠的验证系统，从而自信地驾驭 AI 产出。