AI代码泛滥，工程师的审查工作正在被重塑

AI编程工具正在将软件开发的瓶颈从代码生成转移到代码审查。根据AI代码验证初创公司Sonar的调查，38%的开发者表示审查AI生成代码比审查同事代码需要付出更多精力，61%的人认为AI产出的代码看似正确却往往不可靠。大型语言模型生成的代码可能在表面上毫无破绽，却在部署后才暴露出错误假设或安全漏洞，而修复这些问题所耗费的时间，足以抵消AI带来的效率提升。

AI视频生成平台Synthesia的经历颇具代表性。2025年11月，该公司118名工程师全面转向Claude Code等AI编程工具，代码量随即大幅攀升。首席技术官Peter Hill透露，截至今年8月，拉取请求数量同比增长120%，其中95%包含AI生成代码。重复代码是最常见的问题之一——AI工具因上下文有限，可能不知道某项功能已有现成实现，进而重复编写，Synthesia曾发现同一函数存在多达10个版本，工程师不得不逐一识别并清理冗余代码。

部分团队选择在AI开始生成代码之前就介入。亚马逊商店高级首席工程师McLaren Stanley正带领70人团队，借助AI对亚马逊移动购物应用17年积累的代码进行现代化改造。他表示，AI写代码之后，工程师反而要花更多时间在生成前明确需求，撰写详细的规格说明。一次因遗漏指令导致智能体用错误版本的Swift语言生成了25000行代码的教训，让他深刻意识到前期规划的重要性——重新补充说明后，智能体仅用15分钟便正确完成了重新生成。

在代码生成之后，专项AI智能体可以承担第一轮筛查工作。亚马逊云服务高级首席工程师David Yanacek介绍，AWS会先用智能体测试代码功能、对照原始计划进行核验并扫描安全漏洞，再交由人工审核。非营利软件提供商Bonterra则让智能体将代码与设计规范、安全规则、编码标准及无障碍要求逐一比对，并给出置信度评分；评分偏低或存在问题的变更会被转交人工，涉及支付、个人数据等敏感系统的代码则始终由人工审核。该公司CTO Tanuja Korlepra将这一模式概括为：智能体负责阅读，人类负责判断。

自动化审查并不能转移责任归属。软件咨询公司Making Sense的首席AI架构师JD Raimondi警告，当机器产出的代码量超出工程师仔细阅读的能力范围，人工审批可能沦为走过场——工程师确认功能可用、粗略浏览代码后便直接批准，却对底层设计决策一无所知。开发者平台Temporal为此推行了一项名为「退回」的政策：提交代码的工程师必须用自己的语言解释智能体的设计选择以及代码如何处理异常情况，否则审核者将直接拒绝。CEO Samar Abbas表示，这是为了防止代码审查沦为未经检验的模型输出的垃圾场。

AI的普及还引发了对初级工程师培养路径的担忧。Making Sense的初级工程师从AI中获得了最显著的效率提升，但也因此减少了亲手实践的机会。IBM则反其道而行之，借助AI让新入职工程师更早接触原本属于高级工程师的任务，估计AI可帮助初级工程师完成某些任务中70%至80%的工作量。Bonterra的初级工程师不再执行那些曾是入门训练的标准化编码任务，转而与资深同事共同承担项目成果，学习如何指导智能体、质疑其输出并对结果负责。Korlepra一语道破行业隐忧：如果整个行业停止招募初级工程师，也就停止了培养高级工程师的可能。

要点

• AI生成代码量激增正将开发瓶颈从编写转移至审查，38%的开发者认为审查AI代码比审查人工代码更费力，96%的开发者不完全信任AI输出
• 企业正在采用多层次策略应对代码质量风险，包括生成前审核规格说明、部署专项AI智能体初筛、按风险等级分流人工审核，以及要求开发者为智能体决策负责
• 自动化审查无法消除责任归属问题，人工审批在代码量超出阅读能力时存在流于形式的风险，部分公司已通过制度设计强制要求工程师真正理解所提交的代码
• 初级工程师的成长路径正在被重塑，减少亲手写代码的机会可能影响其判断代码质量的能力，行业需要重新设计早期职业阶段的学习机制
• AI代码审查赛道正在吸引大量资本，CodeRabbit在2026年8月以15亿美元估值完成1.43亿美元融资，每周为1.7万客户执行逾200万次代码审查