Claude Code「自产自审」：九成代码不再经过人类

新智元报道

你可能不信，Claude Code 现在差不多 90% 的代码，是 Claude 自己敲的。

你要是写代码的，第一反应估计跟很多人一样，那谁审？

答案是，大部分也是 AI。

而且你猜怎么着，6 月到 9 月，Claude Code 合进去的 PR 翻了一倍多，要回滚的反倒少了四成多。

中间还闹过一出，俩 AI 互相 Review，一个挑刺一个改，一宿干了 50 多轮，谁也不服谁。

你肯定想说，AI 写完 AI 审，人看都不看，这不就是学生自己批自己卷子嘛。

这么想一点毛病没有，好多线上事故回头一查，就是瞄一眼就能看出来的傻得冒泡的低级错误。

Anthropic 最近这篇博客，就是来回应这个疑问的，讲清楚 Claude Code 到底是如何自动审代码的。

问题从一开始就问错了

5 月的时候，Anthropic 大仓库一天合进去 2500 个左右的改动，而到 9 月，一天 3 万多个。

Claude Code 不在那个大仓库里，但也是差不多的势头。

这么多东西靠人一行行看，看到明年也看不完，所以他们干脆不纠结人到底看没看了。

Anthropic 开发团队在博客中说，人看没看过，只是个不太准的替代指标。

真正该琢磨的，是这次改动万一出事会怎么出，然后让最合适的那道检查去拦它，至于那道检查是测试是 AI 还是人，看情况。

时间点也跟着变了。

以前的流程大家都熟，写完、提 PR、干等同事有空。

现在 Claude 是边写边查，有点像打字时候自动标红的拼写检查，很多改动等到有人来看的时候，Claude 早就自己查过改过一遍了。

那省下来的人力怎么算？

他们的账是这么算的，看代码费时间，烂代码上线以后去救火也费时间，前一头省了，后一头又冒出来，那就是白折腾。

最后他们就看两个数，回滚率跟事故率，只要这俩指标没往上走，就算没白干。

七层检查，挑三层说

原文一共列了七层，全讲太长，挑三层。

PR 提之前，Claude 得先拿出证据。

光一句搞定了不算数，测试跑出来什么结果、Build 有没有过，改界面的还得拿截图跟设计稿对一对。

Claude Code 之父 Boris Cherny 讲过，给 Claude 一个能自己检验结果的办法，大概是让它把活干好最要紧的一件事，他估计效果能好上两三倍。

PR 提上去以后，先过 AI 这一关。

这里不是一个 Claude 自己说了算，几个 Agent 分头找 Bug，找出来的东西再交给另一拨 Agent 投票，票不够就不发，纯属修改代码风格灌水的也不发。

这功能刚推出预览版那会儿，内部有实质性审查意见的 PR，占比从 16% 一下子涨到了 54%。

还有个挺贴心的小设计，每条意见会打标签，其中一种叫 Pre-existing，意思是这毛病早就在了，不是这次 PR 搞出来的，作者不用背这个锅。

最后才是人。

这一层有条死规矩，Agent 点的 Approve，不算数。

哪怕 AI 审得再好，需要人签字的那一栏，它也填不进去。

另外，是谁让 Agent 写的这段代码，谁就得算进审批人里头，跟自己亲手写的没两样。

人要不要上、上几个，也看风险。

改个文档跟改自动更新器，显然不是一回事。

风险低的，自动检查和安全检查都绿了就能合并，普通改动得一个人点头，最要命的那几块要两个人。

风险等级是分类器看改动本身判定的，跟谁提交的没关系。

这么一层一层摞起来，有点像航空和医疗安全里常提及的瑞士奶酪模型。

每片奶酪都有洞，可洞的位置各不一样，摞够了，很少有问题能从第一片一路漏到最后一片。

就算真漏下去了，底下还有 Feature Flag 和一键回滚兜着。

纯人工手搓放慢速度确实能少犯错，不过主要是因为你啥都干得少了。

两个 AI 吵了一整晚

前面提了一嘴，两个 Agent 吵了 50 多轮。

其实是个 CLI 的 PR，写代码的是 Agent，审代码的也是 Agent。

一个提意见，一个改，改完再审，审完又提，一个晚上就这么来回拉扯了 50 多轮。

最后还是 PR 的主人发现了，手动给停了。

为什么会这样？

原文的解释是，人看到一条可改可不改的 Nit（小毛病），扫一眼也就算了，Agent 偏偏较真，真去改，一改就多一个 Commit，新 Commit 又把 Review 叫起来，Review 又挑出点新东西。

他们后来拿 Git Blame 回头查，Reviewer 一轮一轮揪出来的问题，差不多 59% 在第一轮审的时候就已经存在了。

等于它不是在找新 Bug，是每轮多翻出几个老的 Bug。

原文还挺坦诚，说这里面也有他们团队自己的锅，之前习惯了默认多审几轮，觉得每多一轮总能多抓点东西。

现在改成最多三轮，三轮过不去，就让作者别改了，退一步想想方案本身是不是有问题。

这么一改，一个 PR 平均要审的轮数从 2.08 降到 1.32，要审五轮以上的，原来差不多每 11 个里有 1 个，现在不到 2%。

人现在干点啥

代码大部分交给机器看了，人也没闲下来，只是活变了。

最典型的，是判断这东西到底该不该做。

原文提到，有个团队都已经宣布审查瓶颈解决了，团队外面的人提的改动，还是留着人工审，就是为了有人能问一句，这事真有必要做吗？

计费、自动更新器、CI 这些出了事会造成重大事故的代码，照样要人盯着；会被别人当模板抄的架构也是一样。

现阶段，人还是被 AI 大人所需要的。

参考资料：

https://claude.dev/blog/solving-code-review-at-anthropic/

编辑：马可