
理解新型技术债的不同之处
通常认为是 AI 写出了糟糕的代码,这种观点并不准确。更确切地说,问题在于认知债,即对软件构建方式和原因的理解缺失。人类编写代码时,除了敲键盘,还会模拟边缘情况、梳理依赖关系,并结合组织背景做出判断,包括功能背后的业务需求、团队确立的最佳实践以及过往架构选择的依据。这种认知循环有助于积累企业知识。
而 AI 编写代码时,可能输出语法正确、能通过 CI 测试、顺利部署的代码,但却没有人真正理解其背后的逻辑。代码在一切正常时能正常运行,但一旦出现变化或故障,团队就如同面对一个黑匣子。这与传统的技术债(代码混乱)不同,认知债是功能正常但无人真正理解的代码。而且,由于 AI 生成代码的速度极快,人们无暇去深入理解代码以确保其可维护性,导致认知债积累得更快。
GitClear 对各大代码仓库中 2.11 亿行变更代码的分析发现,2024 年,五行及以上的重复代码块增加了八倍,而代码重构在所有代码变更中的占比从 25% 降至不足 10%。代码重构是保持代码库健康的重要但枯燥的工作,开发者现在做得越来越少。谷歌 2024 年的 DORA 报告指出,AI 采用率提高 25% 与交付稳定性下降 7.2% 相关。DORA 分析师认为,根本原因并非代码本身有缺陷,而是 AI 增加了批量大小,而更大的变更集在部署时风险更高。这些发现并非对 AI 辅助开发的指责,而是诊断结果,为解决问题指明了方向。
首先填补上下文差距
去年对 609 名开发者进行的调查显示,65% 的人表示 AI 在重构、编写测试或审查代码等关键任务中会遗漏相关上下文。上下文是影响 AI 代码质量的主要因素,而大多数企业组织在这方面投入不足。当 AI 工具在生成代码时无法获取组织的架构决策、历史拉取请求、安全策略或现有模块模式,就会生成局部正确但整体不协调的代码。
填补这一差距需要进行上下文工程,即确保所使用的工具和代理在合适的时机能够获取正确的组织知识,并具备判断哪些知识与特定任务相关的能力。检索系统提供过多或过少的相关上下文都会降低输出质量。具体的工具并不重要,关键是要有相应的规范。上下文基础设施需要积极维护,不能只进行一次索引就置之不理。在扩大 AI 代码生成规模之前,应先构建好这一基础设施,事后再进行改造会困难得多。要像对待 CI 管道一样对待它,将其作为安全生产部署的先决条件。
例如,当团队构建了完善的上下文基础设施时,代码审查工具能够识别已弃用的内部 API,因为弃用决策记录在过去几个月的拉取请求讨论中,并已被索引和展示。当生成的代码引用旧 API 时,审查工具会标记出来。如果没有这个上下文层,同样的错误会反复出现。当人类不再逐行编写代码时,这种企业知识就会逐渐流失,需要积极努力去保留。
构建与生成速度相匹配的验证层
目前,AI 辅助开发的投资大多集中在代码生成方面,而在验证方面的投入很少。这种不平衡正是技术债积累的原因。可以将其类比为蓝队和红队,蓝队负责代码生成、自动补全和智能编码,吸引了大量关注、预算和产品发布;红队则负责完整性检查、行为覆盖和符合组织标准,但在大多数组织中往往被忽视。
CI 管道可以检测明显的错误,代码审查也可能会进行,但审查人员往往被大量的 AI 生成代码所淹没,无法对所有代码进行有意义的评估。结果是代码看似经过了审查,但实际上没有人真正理解它。2024 年 Crowdstrike 的宕机事件值得铭记,虽然问题代码并非由 AI 生成,但该事件说明了当软件错误在生产系统中传播而没有足够验证时会发生什么。当代码生成速度超过人类理解速度时,这种风险会成倍增加。
真正的验证层意味着进行自动化分析,评估生成的代码是否符合组织的最佳实践、架构标准和合规要求;意味着测试覆盖要反映预期行为,而不仅仅是 AI 选择生成测试的正常情况;还意味着要有可追溯性,即需求与实现之间的关联,以便六个月后有人能理解代码的功能和存在的原因。调查数据支持在这方面进行投资,在同一项开发者调查中,将 AI 集成到代码审查工作流程中的团队,81% 的情况下代码质量得到了提升,而未集成的团队这一比例为 55%。
明确代码所有权
生产环境中的每一段 AI 生成代码都需要有一个责任人,该责任人要足够了解代码以便对其进行维护。这比听起来要困难,大多数组织在这方面都做得不够。AI 代码生成的速度虽然有吸引力,但也会让人急于跳过深入理解代码的过程。开发者面对 AI 在三分钟内生成的 500 行拉取请求时,会面临一个选择:花两小时真正理解代码,还是因为代码看起来没问题、通过了测试就批准它。
真正的所有权意味着要适当降低代码生成速度,以便进行有意义的审查,并向团队明确这是正确的权衡。如果不这样做,就会开始构建下一个遗留系统。
本季度的行动建议
好消息是,解决这些问题不需要多年的转型。虽然结构性问题确实存在,但有具体的解决方案,工程领导者无需等待下一个预算周期,就能在上述三个方面取得有意义的进展。
- 审计上下文基础设施:如果 AI 工具在生成代码时无法获取组织的架构决策、已弃用的 API 和安全策略,在进一步提高生成速度之前,应先解决这个问题。上下文的质量决定了输出的质量。
- 投资红队:建立一个自动化的代码质量和治理层,根据组织的特定标准评估生成的代码,而不仅仅关注功能正确性。这是一项与代码生成工具不同的投资,需要单独对待。
- 明确所有权:生产环境中的每个 AI 生成功能都应该有一个真正理解它的责任人,并将其作为正式要求。
正确处理这些问题的组织会发现,在建立验证层后,AI 代码生成将变得更加可靠。而忽视这些问题的组织在加快代码部署速度的同时,对系统的理解会越来越少,直到积累的技术债引发危机。这是一个可以解决的问题,关键在于你是现在解决还是以后解决。
423



被折叠的 条评论
为什么被折叠?



