AI辅助编程的生产力悖论与破解之道

译者 | 核子可乐

审校 | 重楼

AI正成为加速代码生成的有力推手，帮助开发者以前所未有的效率产出更多成果，为超高生产力、缩短开发周期、快速发布功能开启新的可能。

但不少工程团队也注意到由此带来的趋势：尽管单个开发者的代码生成速度更快，但项目的整体交付时间并未缩短。这并非错觉，METR最新研究发现，AI编程助手反而令资深开发者的生产力降低了19%。报告指出，“研究期间，开发者本以为使用AI能够将开发周期缩短20%；可令人意外的是，启用AI实际反而将完成时间拉长了19%。换言之，AI工具其实拖慢了开发速度。”

这种日益脱节的感受错位，提示出“生产力悖论”。虽然开发生命周期中“代码生成”这个孤立环节的速度大幅提升，但代码审查、集成和测试等其他环节却遭遇速度瓶颈。这也是现代流水线上的典型难题——单一环节的提速不仅不能让整体效率增长，反而会造成严重的生产堆积。

本文将探讨工程团队如何诊断代码堆积问题，重新调整工作流程以发挥AI速度优势，同时避免牺牲代码质量或加重开发者负担。

AI生成代码为何需要人工审核

生成式AI工具擅长生成语法正确、看似“可用”的代码，但这种表象背后亦存在着危险的误导。若未经深思熟虑和严格的人工审核，团队很可能交付出技术上可行，但却在安全、效率、合规和维护等方面存在严重缺陷的成果。

于是乎，AI不断增加PR数量及相应代码量，但可用的审查人员及其日均处理能力却保持不变。若不加以控制，这种不平衡必然导致仓促、表面化的粗糙审查，进而引发bug和漏洞；而如果放慢审查节奏，开发者的工作也将被拖累。

更令人头痛的是，开发者使用AI的具体方式也各不相同。目前存在三种开发者体验（DevX）流程，其对整体团队造成的压力亦有所区别：

1. 传统开发者体验（八成人工、二成AI）：资深开发者将软件开发视为一门技艺，对AI输出持怀疑态度，主要用其处理搜索查询或者解决一些小型样板任务。

2. 增强型开发者体验（五成人工、五成AI）：现代高级用户能够流畅与AI协作，完成独立的开发任务、故障排查及单元测试生成，借此提高效率并快速解决具有明确定义的问题。

3. 自主开发者体验（二成人工、八成AI）：熟练的敏捷工程师们会将大部分代码生成和迭代工作交给AI智能体，自身负责审查、测试和集成AI输出，更多扮演系统架构师和QA专家的角色。

不同工作流程对应不同的工具和支持需求，一刀切式的工具或纯净管理方法在多种工作模式间注定失败。而唯一的共性，就是始终关注人类的参与和协调。

倦怠与瓶颈是风险根源

若不对软件开发生命周期进行系统性调整，AI产出必将带来更多下游工作。虽然快速生成上千行代码看似效率极高，但隐性成本也会快速堆积，包括审查工作量增加、bug量累积、管理复杂性提高等。

人类开发者更倾向于创建较小的原子提交，以降低审查难度。但AI却可能在一条提示词下生成大量变更，导致审查者难以理解其整个范围和影响。核心问题不仅仅是重复代码，更在于理清这些变更所需要的大量时间与认知负荷。

METR的研究也进一步凸显出这项挑战。研究证实，即使开发者接纳了AI生成代码，也需要投入大量时间进行审查和编辑，方可确保其达到高标准：

75%的开发者表示他们会阅读每一行AI生成的代码，56%的开发者表示他们经常需要进行重大修改以清理AI代码。在调查中，100%的开发者均表示AI生成的代码需要修改。

质量保证方面同样受到影响。以测试生成为例，测试覆盖率当然重要，但AI的介入只是表面上提高了这项指标，但实际上很可能未进行有意义的行为测试。换言之，测试系统不仅需要完成预期任务，还得优雅处理错误并保证在意外状态下不致崩溃。

如何针对AI调整工作流程

为了高效运用AI以摆脱这种悖论，团队必须改进开发实践与文化，将注意力从单一开发者产出转向整体系统的健康状况。

首先，领导者必须加强代码审查流程，并在开发人员和团队层面强化责任制。这需要为PR设定明确的可审查性标准，并授权审查人员驳回过大或缺乏上下文的变更。

其次，负责任地推进自动化。使用静态和动态分析工具协助测试和质量检查，但始终保证人工参与以解释结果并做出最终判断。

最后，协调预期。领导层必须明确，原始编码速度只是一种虚假的效率指标。真正的目标是可持续的高质量产出，这需要一种平衡的方法，使质量和可持续性与生成速度保持同步。

除了文化上的转变之外，以下两项举措也能带来立竿见影的效果：

1. 建立通行的提示词规则与上下文要求，引导AI生成符合组织最佳实践的代码。建立防护措施，防止AI产生幻觉或使用已弃用的库，大大提高输出可靠性。具体方式包括向AI提供上下文，例如经过核准的库列表、内部实用函数及内部API规范等。

2. 在流程早期引入分析工具。不要等PR出现才意识到AI生成代码不够安全。通过将分析工具直接集成至开发者IDE，即可立即发现并修复问题。这种立足早期的方法可确保在成本最低时解决问题，防止其在审查阶段成为瓶颈。

新的AI时代下，我们的诉求应当是构建更加智能的系统。工程团队现在应专注于创建稳定且可预测的指导框架，引导AI根据业务标准生成代码，并使用核准且安全的资源以保证输出与整体架构相一致。

因此，生产力悖论并非不可避免，只要我们的工程系统能够与AI工具同步发展。把握团队成员的三种AI开发工作流程，即可成功迈出建立弹性更好、效率更高的软件开发生命周期的第一步。

原文标题：​​The productivity paradox of AI-assisted coding​​，作者：Edgar Kussberg