AI写代码的速度越来越快，但代码审核和质量把控的体系却没有跟上。从开源社区的AI slop泛滥，到企业内部的AI代码审核缺失，AI生成代码正在进入一个无人负责的灰色地带。文章分析了AI代码治理的现状和挑战，探讨了代码责任归属的核心问题。

AI 写代码这件事，已经没人管了

作者：达达 | 墨千Byte&Beyond 发布时间：2026-04-11

OpenAI 近期在 Latent Space 播客上亮出了一组数据：

他们的内部团队 Frontier，维护着一个 100 万行代码的仓库。零行人类手写。五个月累积了数千个 PR，零行人类审查。

团队负责人 Ryan Lopopolo 在社交媒体上有一系列激进的言论，其中最出圈的一句是：

如果你每天不花超过 10 亿 token，那你"近乎失职"（borderline negligent）。

这话听着像在催你冲业绩。但背后的数据确实扎眼——Frontier 团队用纯 Agent 驱动的方式，五个月就交付了一个可上线的内测产品。

以下内容参考自 Latent Space 对 Ryan Lopopolo 的深度访谈、Meta Engineering Blog、Vercel Blog 及 Stack Overflow Blog。

不是"辅助"，是"接管"

先别急着反驳"AI 写的代码哪能上生产"。来看看谁已经在这么干了：

Meta 的 KernelEvolve 系统，让 AI Agent 自动优化底层硬件代码。它把内核优化问题建模成一个搜索问题——Agent 会在数百种候选实现中搜索最优解，自动编译、评测、调优。结果：广告推荐模型的推理吞吐量提升 60%，训练吞吐量提升 25%。人类专家做同样的事需要几周，Agent 几小时搞定。

OpenAI 的 Symphony，是一个开源的 Elixir 参考实现，本质上是一套 spec + 编排框架。它的核心理念是：你不需要共享源代码，只要有一份高保真的 spec，Agent 就能从零复现整个系统。Frontier 团队基于这套框架，协调大量 Codex Agent 在共享代码库上并行工作——每个 Agent 有独立的 git worktree，可以独立写代码、跑测试、提交 PR。

Vercel 近期展示了 FLORA 这个案例——一个创意视觉工作流平台，其中的 AI Agent FAUNA 负责时尚拍摄方向的视觉创意迭代，包括 moodboard 生成和风格探索。它解决的是创意探索的效率问题，让设计师能在更短的时间内评估更多视觉方向。

注意一个共同点：这些都不是"AI 帮我补全代码"的 Copilot 模式。Agent 在跑完整流程，人类只做关键决策和系统设计。

真正的瓶颈变了

OpenAI 的团队发现了一件很有意思的事：

早期用 Codex 的时候，慢得要命。

不是模型慢，是整个流程慢。Agent 写完代码要编译、要测试、要修 bug、要跑回归……一个内循环走下来可能要十分钟。Agent 就在那等。

所以团队做了什么？把编译时间压到一分钟以内。

听起来很基础？但这正是关键——当你让 AI Agent 干活的时候，瓶颈不是 AI 的能力，而是 基础设施跟不上 AI 的速度。

Ryan 在采访中说了一句话：

真正的瓶颈已经不是 token，而是人类的注意力。

一个 AI Agent 一天能跑几百个实验，人类能 review 几个？Frontier 团队的解法是：不让人类逐行 review 了。改成让 Agent 自己 review 自己的代码，人类只看 Agent 的 review 结果和最终的系统级指标。

代码正在变成"快消品"

在 Latent Space 的同一期采访中，Ryan 谈到了一个概念叫 "ghost library"（幽灵代码库）：代码可以随时从 spec 重新生成、随时丢弃，真正值钱的不是代码本身，而是那份高保真的 spec。

这和五年前的软件工程理解完全不同。五年前，一段好的代码是团队资产，要小心维护、认真 review。现在？

当 Agent 可以随时重写、自动修 bug、自动解决 merge conflict 的时候，代码本身的稀缺性在急剧下降。

但这不意味着代码不重要。意味着稀缺的东西转移了——从"写代码的能力"转向了"定义问题和设计系统的能力"。

但是……

说几个现实问题：

这套玩法需要钱。 每天几千美元的 token 费，加上基础设施成本，不是所有团队都能承受。OpenAI 可以这么玩，因为他们自己就是模型提供商。

需要极强的工程基础。 OpenAI 能让 Agent 自己 review 代码，前提是他们有完善的 CI/CD、高测试覆盖率和成熟的监控体系。你让 Agent 在一个没有测试的项目上干活，它只会越改越烂。

人类的价值没有消失，只是转移了。 Ryan 自己说，他现在的工作更像产品经理——设计 Agent 的工作流、定义质量标准、处理安全边界。但他同时也强调，这种"指挥 AI"和传统 PM 有本质区别：你必须深度理解技术实现的边界，才能给 Agent 设定正确的约束。

所以，普通人该怎么办？

别跟 AI 比写代码了。这仗已经打完了。

但你可以比的是：

定义问题的能力 —— Agent 能解决你给的任何问题，但"该解决什么问题"还是人决定的
设计系统的能力 —— 怎么让多个 Agent 协作？怎么设质量门控？怎么处理边界情况？
判断取舍的能力 —— 三个方案摆在你面前，选哪个？这需要行业经验和对业务的深度理解

Stack Overflow 近期有一篇文章标题很到位：

AI is becoming a second brain at the expense of your first one

（AI 正在成为你的第二大脑，代价是你的第一大脑）

这话不无道理。当你习惯性地让 AI 帮你想方案的时候，你自己的思考能力确实在退化。

所以我的建议是：用 AI 干活，但自己想问题。

让 AI 写代码、写文档、跑测试、做 review。但你得知道为什么这么做，知道什么是对的什么是错的，知道什么时候该说不。

这大概就是 2026 年软件工程师的新定位——不是写代码的人，是 设计系统让 AI 写代码的人。

要求更高了，但天花板也更高了。

参考来源：