90% 代码交给 AI 后，团队真正稀缺的不是写代码的人

90% 代码交给 AI 后，团队真正稀缺的不是写代码的人

2026 年 2 月，美团 Agent 评测团队面对一个让人哭笑不得的局面：31 万行代码，每月 16 个需求，90% 以上由 AI 生成。但代码库的腐化速度，没有因为 AI 提速而放缓，反而在加速。

这听起来反直觉，但符合逻辑。AI 把"写代码"这个动作的门槛打到了几乎为零，但团队层面的代码治理能力，才是新时代的真瓶颈。这篇文章想把美团这套 31 万行 AI 重构的实战经验拆开给你看：他们做对了什么，又踩过了哪些坑。

---

一、为什么 AI Coding 越普及，系统越腐化？

很多人以为 AI Coding 的瓶颈是模型不够聪明。错的离谱。

美团团队一开始也是这么想的。他们用 AI 辅助扫描代码库时发现：模型不仅能看懂代码，还能在极短时间内定位 10 个资深工程师靠肉眼读三年也读不出来的性能隐患（来源：美团技术博客）。AI 帮你"看全"代码的能力，已经不是问题。

问题在于"看全"之后怎么办。

当一个团队 90% 的代码由 AI 生成，工程师只负责提需求和 Review，团队规模一年内扩大三倍、技术背景横跨高并发/机器学习/管理后端/实习生时，AI 会把每个人写代码的微小差异无限放大。一个人用 AI 写出"汉堡式"代码，另一个人用 AI 写出"意大利面式"代码，AI 不负责拉齐风格，它只负责忠实执行 prompt。

结果就是：一个 31 万行的复杂业务系统里，Controller 包里揉着十几种业务逻辑，PO 对象在调用链里到处泄露上浮，技术债以 AI 的速度累积。

这就是 AI Coding 时代的真实矛盾：产能被 AI 解放了，但治理能力没有跟上。

---

二、美团的解法：把 Agent 评测的思路搬过来

美团团队找到的解法很反直觉——用做 Agent 评测的思路，做 AI Coding 的治理。

为什么这两件事能扯到一起？因为 Agent 评测的核心问题是"如何让机器和人的判断对齐"，AI Coding 的治理核心问题是"如何让 AI 和团队的工程标准对齐"。底层逻辑是同一套。

他们拆成两步：

第一步：人人对齐。 先让团队对工程分层、建模方式、依赖边界达成共识。这一步需要 1 个"独裁者"角色统一所有相关方的标准。文中明确说"1 个独裁者好过 10 个民主者"，因为共识比正确更重要。

第二步：人机对齐。 等团队自己先统一了判断，再把共识固化为 AI 可以执行的约束——AI Rule + Skill。Rule 用来约束通用规范（如 always 级别的工程分层规则），Skill 用来处理最容易产生分歧的领域职责划分（如"编排类"与"能力类"的边界）。

顺序至关重要。如果团队自己没达成共识，AI Rule 写得再漂亮也会被不同人解释成不同版本。很多团队以为配置好 AI Rule 就万事大吉，真正的瓶颈在人，不在工具。

这一步的洞察很值钱：AI 不是用来替代人的判断，而是用来放大已对齐的判断。如果团队的判断本身没对齐，AI 只是把混乱等比放大。

---

三、怎么让重构不停业务？

行业里谈重构，通常只有两条路：要么推倒重来，要么申请专项排期。美团走了第三条路——把技术债拆成业务需求的"顺带动作"，借着迭代渐进式消化。

具体怎么做？

第一步是借助 AI 完成工程分层与解耦重构。他们从"按需求建包"的面条式代码，迁移到标准四层架构（Starter / Application / Infrastructure / Common）+ 业务域组织结构。重点不只是物理目录调整，而是借机治理 PO 对象在调用链中的泄露问题。