Grok工程师月交3000个PR:禁注释重验证,AI编程信任危机何解?
SpaceX SI首席工程师Lauren Tan分享Grok Bot团队的高效开发实践。核心观点包括禁止99%代码注释以防Agent模仿错误模式,将自然语言规则转化为Lint和类型系统等确定性检查,以及利用TLA+、Lean等工具进行形式化验证。通过构建高信任度的代码环境,团队实现月均1.1万个PR且撤回率仅0.5%,
代码越写越多,反倒像长满杂草,AI编程的信任危机就摆在这儿了。
在AI Engineer CODE大会上,SpaceX SI首席工程师Lauren Tan(圈内叫她“土豆姐”)说了一句挺挑事的话:“所有代码都是一坨,除了我的。”

这话听着狂,背后是她眼下在
Grok Bot团队的成绩:上个月她一个人交了3000个PR(Pull Request)。整个团队同期交付1.1万个PR,撤回率只有0.5%。

按传统软件工程的看法,这样的吞吐量往往意味着质量垮掉。Lauren的判断相反:方法对了,AI既能提速,也能把代码质量守住甚至往上提。

她把眼下的难题叫“信任问题”。过去的开发流程建立在低信任度上,得靠大量人工审查和冗余注释兜底;到了AI时代,工程目标变成搭一个高信任度环境,让Agent自己就能干对活。

她为此提出“信任倒金字塔模型”。占最大头、处在最顶层的是代码本身的质量,涵盖API设计、架构是否合理、重构力度够不够;中间一层是Lint规则、类型系统、编译器和自动化测试这类确定性检查工具;自然语言指导——Rules、Skills和AGENTS.md文件——排在最底层。

Lauren强调,工程师的精力绝大部分该砸在前两层。代码库里要是塞满临时补丁、废弃逻辑和技术债,Agent就会把这些“杂草”当成规范,照着学,还把错误放大。
禁掉99%的注释,等于把错误传播的链条剪断。
落到具体做法,Lauren的第一条建议出人意料:99%的代码注释直接禁掉。
这个决定来自她在Cursor那段教训。当时Cursor客户端用Electron架构,VS Code的命令式风格和React的声明式风格混在一起,架构冲突之下,Agent更愿意用setTimeout、requestAnimationFrame这类定时器打补丁,用来处理异步状态同步。
这些临时方案让垃圾回收(Garbage Collection)频繁触发,应用跟着卡顿。更麻烦的是,Agent还会在代码旁边写一大堆注释,说明“为什么非这么写不可”。
问题就出在后面:下一个Agent读代码时把注释一并读进去,认定这是深思熟虑的最佳实践。于是新Agent继续照搬,生成更多同类定时器补丁和解释性注释。恶性循环一开,代码库很快腐化,性能直线下滑。
到了Grok Bot项目,Lauren把这条链彻底掐断。她不许Agent写解释性注释,改为依赖Lint规则和明确的错误提示。代码要是有架构问题,Lint工具直接报错,逼着Agent去修根因,而不是拿注释把问题盖住。
这样一来,代码必须自己把话说清楚。一段代码复杂到非加注释才看得懂,那它该被重构,不该被解释。
用确定性约束替掉自然语言规则。
不少开发者用AI编程时,习惯往AGENTS.md文件里写自然语言规则,比如“不要使用useEffect”“注意内存泄漏”。Lauren认为这么做效率很低。
自然语言本身就模糊,Agent得额外花Token去猜意图,还没法保证严格遵守。更管用的办法,是把这些要求变成确定性的工程约束。
拿React里的useEffect来说,这个Hook管副作用,可它的依赖数组和清理逻辑特别容易出错,甚至被调侃“得读个博士才用得好”。Grok Bot团队做客户端框架Dune时,干脆在产品代码层面禁用了useEffect,只允许框架内部的特定API使用它。
靠架构层面的限制,团队从源头堵掉了Agent误用的可能。这种“一了百了”的做法,比一遍遍提醒Agent“小心使用”靠谱得多。
Lauren把处理Agent错误的标准流程总结成了一套。
- 碰到Agent写出错代码,光在文档里记一笔远远不够;要马上补上对应的Lint规则,或者用类型系统把不合法的调用卡住。
- 某个API老被用错,多半是设计本身有毛病,得重新设计把歧义消掉。存量问题则靠自动化工具跑一遍,把代码库里同类毛病一并修掉。
这么循环下去,Agent能犯的重复性错误越来越少,代码库的“免疫力”也一点点长起来。
验证的黄金时代:从代码审查到形式化证明
代码库够干净、约束够明确之后,重心就挪到了验证上。Lauren透露,团队目前约70%的Token花在验证阶段,代码生成反倒占得少。
传统代码审查靠人类专家逐行读,可日均350个PR的吞吐量下,这条路走不通。Grok Bot团队把审查自动化,主要靠三种手段:运行时验证、形式化验证和基于属性的测试。
运行时验证:给Agent装上“眼睛”
团队让Agent能跑起应用,还接入了Chrome DevTools Protocol(CDP)等调试工具。为了让它看懂界面元素,他们做了一张用户视角的“功能地图”,类似网站的Sitemap。Agent不用再猜“左侧边栏下方的按钮”对应哪个DOM节点,靠坐标和语义就能直接定位。
常用操作则封装成自定义CLI和驱动程序,收进验证Skills里。Token省下来了,验证工具本身也能单独测试和维护。
形式化验证:数学级的正确性保证
逻辑更核心的那一层,团队搬出了TLA+和Lean两种数学验证工具。
TLA+管模型检查,看系统在多种状态转换下是否满足预期约束,比如分布式场景里有没有死锁、数据是否不一致。Lean负责形式化证明,保证特定算法的逻辑正确。
这类工具过去门槛高、成本大,日常开发里很少用。有了AI辅助,编写和维护形式化规约的成本大幅下降,数学级验证才变得可行。
基于属性的测试:Bombadil的实践
界面部分,团队用Bombadil做基于属性的测试(Property-Based Testing)。它不检查预设的操作结果,而是看程序是否满足某些通用性质,比如“无论输入什么数据,列表排序后都应该是有序的”。大量随机输入灌进去,边缘情况覆盖得更多,人类想不到的Bug也能被揪出来。
自动化闭环:从模糊测试到自动合并
这套体系走到最后,是一个高度自动化的开发闭环。
Grok Bot每发一个新版本,系统就自动开一个Cursor项目,调云端Agent对整个应用做模糊测试。这些Agent模仿真实用户,随机点击、输入、跳转,找可能崩溃的地方和逻辑错误。
发现Bug后,Agent自动提修复PR,所有验证一过就直接合并。据Lauren透露,团队合入的大部分产品代码,已经不需要人类再深入审查。工程师从“代码撰写者”和“细节审查者”,变成了“架构设计师”和“规则制定者”。
当然,这转变不是一天完成的。Lauren花了六个月,才把架构约束、自动化验证和形式化检查这套完整流程搭起来。
结语:园艺师而非搬砖工
Lauren Tan的实践指向一个趋势:AI编程时代,软件工程师的工作性质正在根本性改变。
工程师的角色变了。以前更像搬砖的,一行行垒代码;如今更接近园艺师,修剪杂草、规划布局、扎好围栏才是日常。代码库也不再是躺着不动的资产,它自己会长,是个活的生态。工程师的价值就落在两件事上:怎么定这套系统的生长规则,怎么保证它猛长的时候不跑偏。
注释一律禁掉、类型必须强化、再引入形式化验证——这些手段听着挺极端,说到底是为了贴合AI的脾气。把含糊的自然语言交互,换成精确的工程信号,AI的生产力才真正放得出来。
普通开发者倒不必马上去追月提3000个PR那种极限效率。不过“把规则写成代码,别写成文档”这个思路,每个用AI辅助的项目都值得试一试。道理很简单:AI能读懂代码,就用不着去读你的注释。