马斯克麾下工程师Lauren Tan:单月合入3127个PR,纠错要写进代码
对AI说「下次注意」没用!马斯克麾下工程师:把纠错锁进代码
新智元报道
新智元报道

AI写代码的速度,早已超出人类能审核的极限。
在近期的AI Engineer大会上,SpaceXAI首席工程师Lauren Tan(网名Potato)透露,上个月她一个人往线上合了3000个PR。
她说,其中有相当一部分,是在她睡觉时自动合进去的。
从3月的68个到10月的3127个,Lauren单月交付上线的PR数量涨了上来。
Lauren说,以前只有像Bret Taylor这种「一个周末重写整个Google Maps」的狠人,才配叫「写码机器」。
如今有了Agent,是个程序员都能变身「写码机器」。
但副作用大家也都领教过:产量翻十倍,烂代码(Slop)翻百倍。
不过Lauren拿出的另一组数据,让她所在的Grok Bot团队看起来像个反例。
光是上个月,团队合入的PR就有约1.1万个,稳定版基本一天发一个。
单看10月,提交过代码的人约227名,其中不少是对项目并不熟悉、偶尔顺手帮一把的「路人」贡献者。
按常理推断,这么多生手加上AI一起往仓库里猛灌代码,项目早该炸了。
可她给出的图表显示,PR回滚率6月还是0.98%,10月已降到0.47%,并且连续三个月稳在0.5%上下。

也就是说,6月至10月这段时间,代码提交回退率由0.98%降到了0.47%。
这套体系她跑了6个月才跑通,Lauren总结的秘诀就一句:别指望着用提示词把AI劝好,得把每一次纠错都锁死在代码里。
放到2024年,Lauren上班要审的,只是同事写的3个PR。
如今这个数字已经逼近300。每名工程师身后都跟着成百上千个智能体,代码像拧开的水龙头一样昼夜不停地往外涌,整个代码库几乎成了会自己疯长的活物。
麻烦恰恰出在这里:AI是照着代码库来写代码的。旧代码里只要还留着一处烂写法,下一个智能体就分不清那是历史欠账还是最佳实践,在它们看来,这就是团队传下来的「祖传规矩」,照着抄准没错。
所以Lauren把管代码库看成打理花园。架构约束和护栏是混凝土地基,新代码顺着它往上长;烂代码则是杂草和害虫,今天放任两株冒头,明天一睁眼可能就满院荒芜了。
更隐蔽的坑埋在AI写的「说明文字」里。文档也好,代码注释、规则文件与skill也罢,AI都特别爱写小作文,还常常走到两个极端。
一个极端是碰上难啃的硬骨头,它就在注释里长篇大论,替自己「为什么没按规矩来」找借口;
另一个极端,是你随口纠正了某个特殊场景下的小细节,它却矫枉过正,把这当成雷打不动的规矩死死守着。
Lauren在Cursor就亲历过一桩典型的「惨案」。那会儿AI特别爱用setTimeout、requestAnimationFrame、requestIdleCallback这类命令式定时器去打补丁。
追到根上,问题出在团队自造的架构冲突。VS Code的底子是命令式写法,React界面走的是声明式那一套,两种逻辑在底层就相互较劲。
AI应付不了这种别扭结构,索性大量塞入定时器蒙混过去,还在旁边写满注释,论证这补丁补得多么在理。下一个智能体读到这些代码,又看到那份「权威解释」,马上照着学。
没多久,定时器便在代码库里成片滋生。那个只为修复闪烁而加的临时补丁被反复照搬,一个多月后滚成了183个定时器。

定时器大量反复创建、销毁,高频垃圾回收被引爆,应用卡得跟幻灯片一样。
Lauren复盘时话说得很直:架构把客户端和智能体的表现一起拖下了水。
光靠嘴劝AI「下次注意」,或者在AGENTS.md里再添一行字,说到底都是赌AI会自觉。
面对日均几百个PR的洪流,软规矩守不住底线,只能上硬手段。
那程序员的时间该往哪儿投?
Lauren画出的是一座「倒金字塔」。

整座塔按投入层次往下排:代码约束在最上,往下是验证,再往下才是文字规则。
最宽的是顶上两层。这两层全是确定性防线,功夫也该下在这里:
第一层就是代码本身,API设计、架构边界、重构都算;第二层是静态检查,lint(自动挑刺的代码检查器,违规当场报错)、类型系统、编译器、各类测试都在这一层。
夹在中间的一层,是运行时验证与形式化验证。
塔尖最小,放的是AGENTS.md、规则和skill这类自然语言,靠的是判断和理解。
落到具体做法上,Grok Bot先拿出了「拦」的三招。
头一招:那些需要拿捏分寸的API,一律封杀。
为此团队专门造了个客户端框架Dune,可以理解成Electron版的Next.js。
Dune在技术层面没有多少花哨的东西,它真正的思路是把桌面应用这些年踩过的坑,一条条变成硬性约束写死。其中一条教训来得尤其惨痛:任何要靠「微妙分寸感」才用得好的东西,一旦交给AI,结果多半是烂代码。
最典型的翻车高发区是React里的useEffect。前端圈有句自嘲——「得考个博士学位才用得好useEffect」,人自己都经常栽跟头,AI就更不用说了。
Grok Bot的处理办法很直接:业务代码里一律不许用useEffect,只有Dune底层极少数内部API可以调。这一刀下去,整类问题直接消失,代码审查时也不用再费劲盯着看。
第二招是用目录结构把边界划死。早先在Cursor时,AI常常顺手就把主线程代码塞进负责画界面的渲染线程。渲染线程一被拖住,用户一操作就卡顿、掉帧。
到了Grok Bot和Dune里,团队把规矩彻底定死:顶层直接设好electron renderer和electron main两个目录,再配上依赖图分析器和lint规则,严禁两边互相引用。
这条规则写起来不费事,代码审查单上也少了一桩烦心事。
第三招是砍掉99%的注释,换成能指出问题在哪的lint报错。
吃过当年定时器泛滥的亏,Grok Bot这回把99%的代码注释直接禁了。原因不复杂:注释写完就爱过时,人也没空去读。
更麻烦的是,注释等于给AI留了条「逃生通道」。修根因太费劲,写段注释解释自己为啥偷懒,可轻松多了。
再说注释本身没有任何强制力。你费心留一行字,提醒下一个智能体别踩坑,它照样可能当没看见。
Grok换了个办法:用lint当场拦下来。报错信息把根因和正确改法直接摆到AI面前,逼它正面解决架构问题,别再想着绕路打补丁。
说白了,注释只能劝AI向善,lint才能逼AI就范。
每踩一次坑,就补一道静态检查,或者升级API把坑彻底填平。
这么干久了,人工审查要盯的细节会越来越少。直到某天你忽然发现,已经没什么可审的了:绝大部分PR,尽可放手让AI自己合入。
可是不逐行盯代码,AI要是交出一份语法滴水不漏、逻辑却拧成麻花的bug,谁来兜底?
Lauren给出的解法是:代码行不看了,改看它交上来的「呈堂证供」。
眼下Grok Bot做代码审查,落到实处的动作就是翻验证产物——录屏、界面截图、状态流转图,再加上形式化验证报告。
第四招:给AI发一张「功能地图」,再配一套固定的工具箱。
这套做法里最底层的一环,是运行时验证。
说白了,就是让AI把应用自己跑一遍,去调Chrome DevTools协议这类人类平时也在用的调试工具做自查。
为了让AI别跑偏,团队往验证skill里放了一张「功能地图」。这东西跟网站的站点地图一个思路,站在用户角度把应用里有哪些功能列得清清楚楚。
有了它,你顺嘴丢一句「改下左边栏那个东西」,AI就不必再白烧token去猜组件叫什么。

功能地图要说清三件事:有哪些功能、用户如何进入、怎样验证有效。
另外,skill里还预置了专门定制的命令行工具和驱动。
每次验证时,AI直接调用现成的工具,不必回回从零手写测试脚本。token消耗由此省下一大截,工具本身也能拿出来单独测。
第五招是形式化验证。
跨设备、跨平台的通知这类复杂主流程,团队搬来了TLA+做模型检查。做法相当于暴力穷举:用户和系统可能走出的每一条状态分支都被跑一遍,看哪条路会钻进死胡同。
他们还用数学证明工具Lean,给自研的虚拟列表库做了形式化证明,从数学上保证列表高速滚动时不闪烁、不抖动。
第六招:状态图一眼验意图。
界面测试上,团队引入了一个叫Bombadil的属性测试库。这库不靠「先点A再点B」这种写死的用例,它先定下若干硬性规则,再让机器对界面反复乱点乱试,看哪些操作组合会把规矩撞破。刚用起来就发现了几个UI漏洞。
Lauren还在自己的插件pstack里搓了一个state chart技能,专门从用户视角把状态机画成直观的跳转图。
比起硬啃几百行代码改动,对着状态图配上一小段录屏和截图,一眼就能看穿AI到底有没有真正听懂你的产品意图。
在Lauren Tan眼里,软件工厂最要紧的就两个字:「信任」。而这份信任得靠实打实的时间去磨,把智能体干活的环境一点点改好。
编码内循环要是还在不停造垃圾,急着上外循环自动化,等于把一台垃圾放大器开到满功率。
她这场演讲的标题带点傲气:「除了我的,所有代码都是垃圾」。
真正演示给大家看的,是一套把AI编码「点石成金」的笨办法。
可黄金哪能凭空变出来?
靠的是一条条不留情面的lint规则、一道道目录上的死命令、一张张统一黑话的功能地图,把原来「杂草丛生」的代码库修成了AI可以照着抄的范本。

让AI改对一次,还远远不够。
再让它顺手补一条自动检查。以后同类错误再出现,检查一跑就会报错。
反复叮嘱「下次注意」不如把要求写成机器能执行的规则,后者才真正管用。
AI写出有问题的代码,先加检查把同类错误拦住。接着让它扫一遍整个项目,别处存在的相同问题一并修掉。
那些没法强制执行的废话注释直接删掉,让它查清问题根源,看能不能从根上修好。
检查失败的原因、正确的改法,都写进报错提示里。后面再改时照着处理就行。
给它配一张用户视角的「功能地图」,再让它把常用的验证步骤做成能重复运行的工具。
改完立刻跑一遍,截图或录屏交出来供你核对。
预算别全砸在生成代码上,测试和验证要多留一些。
先看AI能不能把功能做对、把问题找出来,确认这些之后再慢慢把更多自动执行的活儿交给它。
参考资料: