AI 时代的研发流程变化
本篇要点:读完你能判断团队里哪些环节被 AI(artificial intelligence,人工智能)真正改变了、哪些只是看起来变快了,并落下一套能执行的评审门禁和度量口径。 前置文章:《分布式团队协作》讲分布式团队怎么用异步文档对齐信息,这一章接着讲同一个问题的下一段——当信息的产出方有一部分是 AI 时,信息该怎么传、输出该怎么验。
一、为什么需要它
2026 年 4 月,一个 14 人的团队全员装了 AI 编程助手,8 个后端、3 个前端、2 个测试、1 个产品。到 7 月,翻数据的时候出现三件对不上的事。
第一件,数字全线飘红。每周合并的 PR(pull request,合并请求)从 38 个涨到 96 个,平均改动行数从 120 行涨到 310 行。
第二件,迭代速度没动。每两周完成的故事点还是 42 点,跟一季度前持平。
第三件,质量在坏,但没人承认。线上变更失败率从 9% 涨到 17%,评审会上大家的体感却是「代码风格比以前统一了,质量应该还行」。
这三件事不矛盾,它们指向同一句话:写代码变便宜了,验代码没变便宜。
做个算术。一个 300 行的 PR,认真评审要 40 分钟,一个人一天能审 6 个,一周 5 天 30 个。团队 5 个有评审权的人,理论上限是 150 个/周,但他们还要写代码、开会、答疑,实际能审 90 个左右。96 个 PR 一周,已经贴住了这个上限。排队一旦满,等待时间不是线性上涨而是陡涨:PR 从提交到首次人工评审的中位数从 4 小时变成 19 小时,翻了近 5 倍。
所以这场变化的实质不是「团队变快了」,而是瓶颈从敲键盘转移到了看代码。流程的每个环节都得按新瓶颈重排,否则你只是把上游的产能灌进一个更窄的管子。
二、核心概念
2.1 生成能力与验证能力要分开算
生成式 AI(generative AI)在这个流程里做的事,是把「人的意图」翻译成「可执行的文本」——代码、测试、用例、文档都算。它缩短的是产出时间。
验证时间不受影响。一段代码是否满足需求、边界是否写对、会不会在并发下翻车,这些问题要有人(或另一套独立机制)去判断,而判断的依据是需求本身,不是代码写得多顺。
用后厨打比方:多雇三个帮厨切菜,出菜速度确实上去了,但试味、摆盘、出菜前检查还是那一个厨师在做。帮厨越多,厨师面前堆的盘子越高。
反例:「上了 Copilot 之后人均代码量涨 60%」。这只证明产出变便宜了,不证明有价值的东西变多。
2.2 需求澄清:AI 穷举候选,人负责剪枝
需求澄清会(refinement)原来的样子是大家现场想边界,想得到的写下来,想不到的漏掉。AI 参与之后,这个会的形态应该反过来:会前让 AI 把这个需求所有可能的边界、异常、权限组合一次性列出来,会上人只做一件事——划掉这一版不做的。
定义上说清楚:澄清的产出不是一段描述,而是一份可验证的契约:故事卡、验收标准(acceptance criteria)、明确的不做清单(out of scope)。
反例:直接让 AI「写一个用户故事」,拿到的是「作为用户,我希望系统响应更快,以便获得更好的体验」。这句话没法测,也没法估。
剪枝要有配额。实践里管用的做法是:AI 一次给 20 条边界,人划掉 14 条,剩下的 6 条里至少留一条写在「不做清单」里并写明原因。留下的原因比留下的条目更重要——三个月后有人问「为什么退款不支持部分退」,答案在清单里,不在某个人脑子里。
2.3 评审:从「看思路」改成「查证据」
传统代码评审(code review)有个隐含前提:作者比自己更了解这段代码,评审是在补自己的盲区,所以问「为什么这么写」是有意义的。
生成代码没有这个前提。它没有作者的思路可追问,会话记录里有一段解释,但那段解释本身也没被验证过。评审要查的东西变成了证据:
- 这段改动对应哪条验收标准,能不能指出来;
- 测试是不是真的会在代码坏掉时变红;
- 有没有引入新依赖、新的外部调用、新的权限。
判断「测试会不会变红」不能靠读测试代码。读起来很合理的断言,可能什么都没断。这时候要用变异测试(mutation testing):工具把代码里的 > 改成 >=、把 + 改成 -,然后跑测试,测试还是绿的就说明这个变异体(mutant)存活,这段逻辑没被断言碰到。
2.4 三套旧指标同时失效
故事点的失真最隐蔽。 它的可比性来自「参考故事」这把尺子。AI 让同一张卡的实现成本下降,但没人回去重校准,点数和工时的换算悄悄变了,速度图看着平稳,实际交付已经变了。
代码行数、提交数、PR 数失效得更直接:生成成本趋零,这些数可以无限膨胀。
行覆盖率(line coverage)失效的方式不一样。它本来是个不错的代理指标,前提是「测试和代码各自独立写」。现在测试也常常是生成的,而且往往是照着代码生成的,于是测试断言的其实是「代码当前的行为」,不是「需求要的行为」。代码把 > 写成 >=,测试跟着写成 >=,覆盖率 100%,缺陷照样上线。
| 指标 | AI 进入前的含义 | 现在为什么失真 | 换成什么 |
|---|---|---|---|
| 代码行数 / 提交数 | 粗略的产出代理 | 生成成本趋零,可无限膨胀 | 已合并并上线的变更数 |
| 故事点速度 | 相对规模,用于预测 | 参考故事未重校准,点数与工时脱钩 | 周期时间分布 + 蒙特卡洛(《估算与预测:故事点与蒙特卡洛》) |
| 行覆盖率 | 测试覆盖的代码比例 | 测试也能生成,变成自证 | 变异分数 + 逃逸缺陷数 |
| PR 数量 | 团队活跃度 | 拆得越碎越好看,与价值无关 | 每个 PR 承载的价值单位 |
| AI 使用率 | —— | 多问几句就涨,可刷 | 不测;测评审等待与变更失败率 |
表 10-1 五套指标在 AI 参与后的失真方式与替代口径
2.5 角色的变化(截至 2026 年 11 月的观察)
产品经理从「写需求」变成「提供上下文和判断边界」。AI 能把需求写得又长又顺,但它不知道哪个客户在等这个功能、这版能不能砍掉一半。
测试从「执行测试」变成「设计验证策略」:哪些用例交给生成、哪些必须手写、哪段代码要跑变异测试、什么信号算放行。
技术负责人从「写代码最多的人」变成「定门禁和管评审带宽的人」。带宽是有限的,300 行的 PR 一天审 6 个就是上限,这个数不随工具变化。
这些变化不同时发生:多数团队先感到评审积压,几个月后才在质量数据上看到后果。
图 10-1 AI 参与后的流程:省下的是 B 到 D,没省的是 E 到 G
如图 10-1 所示,AI 压缩的是中间那段产出,两头反而变重了:前面多了「剪枝」这道人工判断,后面多了「门禁 + 查证据」这道验证。度量回流指向的不是生成环节而是澄清环节,因为大多数返工的原因是边界没划清,不是代码写错。
三、动手实践
准备一个两百行的 Python 服务 order-svc,含退款与计价两个模块,测试用 pytest 8,变异测试用 mutmut 3。
3.1 给 AI 参与的 PR 加一道门禁
门禁要机器能判,人才会当真。下面这份配置只看三件事:改动是否过大、新增函数有没有测试、改动模块的变异分数够不够。
# .ci/ai-review-gate.yaml
# 对打了 ai-assisted 标签的 PR 额外跑的三道检查
version: 1
scope:
label: "ai-assisted"
exempt_paths: ["docs/**", "*.md"]
rules:
- id: diff-budget
desc: "单 PR 改动超过 400 行必须拆,人一次审不完"
when: changed_lines > 400
action: block
- id: test-trace
desc: "新增公开函数必须有对应测试"
when: new_public_functions > 0 and new_tests == 0
action: block
- id: mutation-floor
desc: "改动文件的变异分数不得低于 60%"
when: mutation_score < 0.60
action: warn
report:
comment: true
require_human_ack: ["diff-budget", "test-trace"]运行结果(python -m ci.gate --config .ci/ai-review-gate.yaml --pr 1842):
PR #1842 ai-assisted changed_lines=612 new_public_functions=3 new_tests=3
[BLOCK] diff-budget 612 > 400 建议按 handler / repo / migration 拆成 3 个 PR
[PASS ] test-trace tests/test_refund.py 覆盖 refund_order / refund_partial / refund_void
[WARN ] mutation-floor order/refund.py 54.2% < 60%(12 个变异体存活,集中在金额取整分支)
结果: BLOCKED(1 项阻断,1 项告警;人工确认后重跑)612 行、3 个模块混在一起,是生成代码常见的样子:它一次把三层都改完了。这道门禁拦的不是 AI,是「一次审 612 行」。
3.2 用变异测试验证测试真的会红
只变异这次改动的文件,控制在 4 分钟内,否则没人会在本地跑。
# 只变异改动文件,避免全量跑两小时
pip install -q "mutmut>=3,<4" "pytest>=8,<9"
mutmut run \
--paths-to-mutate "order/refund.py,order/pricing.py" \
--tests-dir tests \
--runner "python -m pytest -x -q"
mutmut results预期输出:
$ mutmut run --paths-to-mutate order/refund.py,order/pricing.py ...
1/48 🎉 12/48 🎉 24/48 ⏳ 36/48 🙁 48/48 🎉
Survived 🙁 (6)
--- order/refund.py (6) ---
1. round(x * 100) → round(x * 100) + 1 (第 41 行)
2. if amount > 0 → if amount >= 0 (第 17 行)
3. if retry < 3 → if retry <= 3 (第 58 行)
...
Killed 🎉 (42)6 个存活变异体说明这些分支没有断言碰到。注意第 41 行那个:取整方向错了,测试仍然通过,因为测试金额都是 10 的整数倍,取整不影响结果。这类缺陷在真实订单里会以「分」累积成对账差异。
3.3 换一套能量出瓶颈的度量
评审等待时长是这个阶段最该看的数,它比周期时间更早暴露问题。
-- 评审等待时长 p50 / p90,按周统计,排除机器人账号
WITH review AS (
SELECT p.id,
p.created_at,
p.additions + p.deletions AS churn,
min(r.submitted_at) FILTER (WHERE r.author_kind = 'human') AS first_review
FROM pull_requests p
LEFT JOIN reviews r ON r.pr_id = p.id
WHERE p.created_at >= now() - interval '28 days'
GROUP BY p.id
)
SELECT date_trunc('week', created_at)::date AS week,
count(*) AS prs,
round(percentile_cont(0.5) WITHIN GROUP (
ORDER BY extract(epoch FROM first_review - created_at) / 3600)::numeric, 1) AS p50_wait_h,
round(percentile_cont(0.9) WITHIN GROUP (
ORDER BY extract(epoch FROM first_review - created_at) / 3600)::numeric, 1) AS p90_wait_h,
round(avg(churn)) AS avg_churn
FROM review
GROUP BY 1
ORDER BY 1;预期输出(PostgreSQL 16,percentile_cont 忽略 NULL,没被评审的 PR 不计入分位数):
week | prs | p50_wait_h | p90_wait_h | avg_churn
-----------+-----+------------+------------+-----------
2026-09-28| 38 | 4.1 | 11.8 | 124
2026-10-05| 41 | 5.6 | 14.2 | 138
2026-10-12| 63 | 11.9 | 31.4 | 204
2026-10-19| 88 | 17.2 | 46.7 | 289
2026-10-26| 96 | 19.4 | 52.1 | 310怎么读这张表:PR 数涨 2.5 倍,改动行数涨 2.5 倍,总评审量涨 6 倍多,评审人力没变,p50 等待自然涨 4.7 倍。对策不在「催大家快点审」,而在三件事——拆 PR(把 300 行压到 150 行)、把可自动判定的部分交给门禁、明确每个 PR 只要有一个人审但必须当天审。
四、常见误解
很多人以为 AI 让编码变快,交付就会跟着变快。实际上瓶颈会立刻转移到评审、集成和验证,而这三段的时间不由生成速度决定。判断方法:先量评审等待的 p50,超过半天时,再多买 AI 席位只是把队列拉长。
很多人以为行覆盖率 85% 就可以放心。实际上生成代码的测试常常也是生成的,测的是「代码现在干什么」而不是「需求要什么」,两边一起错,覆盖率还是 85%。变异分数能区分这两种情况,因为它改的是代码、看的是测试反应。
很多人以为要给 AI 建一套新流程。实际上流程骨架没变,变的是每个环节的默认值:需求默认由 AI 先穷举边界,代码默认由 AI 先出草稿,评审默认要求指得出验收标准。加流程容易被绕开,改默认值不会——因为绕开默认值比遵守它更费劲。
五、小结
这一章回答的是「工具变了,哪些结论还成立」。答案是:验证的那部分几乎全成立,只是要换度量。
- 生成能力与验证能力要分开算。团队的真实产能取决于验证带宽,不取决于生成速度。
- 澄清会的新形态是「AI 穷举、人剪枝」,产出必须有不做清单,原因要写下来。
- 生成代码的评审查证据:对应哪条验收标准、测试会不会变红、有没有引入新依赖。
- 故事点、代码行数、行覆盖率三套指标同时失真,换成周期时间分布、变异分数、评审等待时长、变更失败率。
- 角色上,产品提供上下文、测试设计验证策略、技术负责人管门禁和评审带宽。
六、相关文章
前面十章讲的都是「一个团队怎么把自己跑顺」。但你在真实组织里推动这些做法时,遇到的阻力往往不在团队内部:测试环境要排三天队、发布要五个签字、考核按工时算。《进阶:团队转型的分期推进》讲怎么在不动摇整个组织的前提下分期推进——先做现状诊断找出真约束,再选一个复制得出来的试点,给每一期写好出口标准和回退触发条件。
继续阅读:[《进阶:团队转型的分期推进》 进阶:团队转型的分期推进](/guide/agile/agile-transformation.html)