如果AI编程降低了你的代码质量，说明你的质量管理不到位

# 如果AI编程降低了您的代码质量，那可能是质量管理方式不当 来源：https://www.i-kh.net/p/if-ai-coding-is-lowering-your-code 我观察到关于编码智能体的一个常见观点大致如此：“AI确实能帮你产出更多代码，但质量不会下降吗？” 如果盲目合并PR并直接部署到生产环境，质量确实会下降。但若采用系统化、多层次的质量管理方法，我发现不仅能将Bug数量保持稳定，甚至可能在产出效率提升2-3倍的同时进一步降低缺陷率。 其中许多防御层与Claude/Copilot/Codex等工具出现前的方法基本相同（不过AI确实让这些方法更易实施），同时也存在全新的策略。以下是我及团队在实际项目中验证有效的防御体系。 采用规范驱动开发后最令我惊讶的变化，是新编写代码的缺陷率显著下降。此前构建新功能时，团队往往需要将总工作量的三分之一消耗在后期“润色”阶段——即发现与修复各类Bug。这些缺陷往往源于：未预判某些交互场景与边界条件、开发人员当日状态不佳考虑不周、或设计师/产品经理对某些场景思考不足。其中部分缺陷还会遗漏至生产环境。 开始实践规范驱动开发后，我个人代码中的此类缺陷骤减，部分（但非全部）队友也观察到相同趋势。据我分析，这种改善主要源于特定环节：让AI审查需求文档或技术设计，找出潜在漏洞、边界情况、与现有代码的意外交互及其他类似问题。 AI不会疲劳，且若提示词设计得当，会持续深入排查潜在问题。但有时它会过度“较真”，我需要仔细审核其对需求文档的修改建议，避免引入本不存在的问题。 如今的编码智能体使得测试驱动开发变得极其简单，完全没有理由不采用。但需注意实施方式：不能让智能体为自身刚刚引入的Bug盲目编写通过性测试。我所见过的最佳实践通常遵循以下流程： - 指导智能体基于需求思考测试场景与用例 - 编写测试用例 - 编写实现代码 - 用测试用例验证实现并修复问题 - （可选）补充覆盖缺口，但仍需紧扣需求规范 既然测试由智能体编写，更没有理由不追求近乎全面的覆盖率，或拖延单元测试的补充。 尽管如此，人工测试（由您、QA、产品经理或其他角色实际体验功能、遍历所有边界场景、验证是否符合预期）仍不可替代。这类手动测试耗时较长，尤其当测试场景搭建复杂时。这是我目前产出效率仅提升2-3倍而非10倍的主要原因——尽管仔细想想，该环节或许存在被我忽略的自动化机会。 端到端测试可算是代码库中最重要的测试类型，因为它验证的是终端用户体验到的所有功能是否在变更后保持正常。理想状态下，它们应在PR阶段、测试/预发布环境以及每次部署后的生产环境中运行。理想情况下，这些测试也应由编写常规代码的开发人员维护，但我知道有些组织架构尚不支持这种模式。 AI确实使端到端测试的编写变得更容易，但要高效实现这一点，它需要访问能调试测试失败的工具或MCP服务器（例如浏览器工具或获取日志的MCP接口）。不过需注意：端到端测试不能完全替代手动测试，因为它只是对重要功能是否受损的粗略不完全检查。 我发现编码智能体不擅长严格遵循`AGENTS.md`或`CLAUDE.md`中的复杂指令。但若增加专门审查环节来定位和修复特定问题，其表现会相当不错。这些问题可能包括： - 安全性问题 - 过度复杂或重复的代码 - 符合命名规范、文件组织或格式化规则 - 通用代码审查以查找逻辑问题 - 过长的注释使用“AI式英语”而非自然语言表达 - 其他需要特别关注并修复的问题 若将这些环节融入规划或实施阶段，几乎可视为“免费”附加项，仅增加5-15分钟实施时间且无需额外关注。 也可以在PR审查阶段添加此类检查——如果您倾向于先查看注释再决定是否应用修复。 我逐渐相信，对于小型调整与简单Bug修复，人工审查可能变得可选——前提是其他防御层依然健全。 但对于复杂变更，我认为仍有必要审查AI编写的代码。我时常发现全局性设计错误、与其他功能的冲突、过度复杂或次优的实现方案等问题。更不用说“mint”代替“generate”、“stamp”代替“set”这类古怪用词。 AI代码审查也已成为得力助手。当前团队在PR流程中同时运行Claude和Cursor审查，令人惊讶的是它们各自能发现不同问题。您还可以从安全性、效率、跨仓库交互等多角度添加自定义审查，但需注意AI可能过于吹毛求疵，因此最好由另一个智能体筛除那些无实际意义的AI生成评论。 代码投产后，至少应定期查看日志、通过Fullstory等工具观察用户会话录像，或审阅监控错误率、延迟等问题的各类仪表板。 更佳方案是部署Sentry或GCP Error Reporting等错误追踪服务，实现错误的自动检测与去重。 最优方案则是让Claude/Cursor等工具自动诊断这些错误、定位根因，并提交包含修复方案的PR。 我确信自己遗漏了维持高质量代码的其他要素，但核心思想在于：通过正确的防御层组合，提升产出效率不必以牺牲可靠性为代价。事实上，编码智能体使得增加更多深度检查比以往更经济——更多的测试、更多的审查环节、更快速的生产问题诊断。 因此，若足够重视质量，完全有可能在交付速度翻倍的同时控制Bug数量，甚至实现缺陷率下降。