这件事的核心是什么
Anthropic 正在重构 Claude Code 团队的代码审查方式,试图把 AI 从辅助工具变成持续参与研发的生产系统。Claude Code 团队称,其约 90% 的代码已由 Claude 编写。
这不是简单的“AI 帮程序员写代码”,而是审查规则、文档机制和合并流程一起改变:Claude 根据变更风险决定需要几名审批者,人员可在不理解全部代码的情况下调用 Claude 生成局部说明。效率因此大幅提高,但人的判断也从流程中心退到了风险边界。

为什么值得关注:三个关键原因
- 审查瓶颈被重新定义:Claude Code 把合并效率提升到关键指标,团队日均合并量从约 2500 次增至逾 3 万次,说明 AI 协作已进入规模化阶段。
- 人的角色发生迁移:审核者不再逐行维护全局认知,而是审阅风险、例外和证据,传统代码审查经验面临重新定价。
- 治理缺口同时放大:当低风险变更可以零人工合入,提示注入、错误分类和审计追踪就成为必须补齐的基础设施。
关键细节拆解
Anthropic 的核心思路可以概括为“让风险决定审批强度”。低风险内容,例如文案、文档以及带功能开关的增量改动,可以无人审批直接进入;缓存、自动更新器和系统提示等中风险内容,仍需一人批准。代理生成的审批不能替代人工,提交者本人也不能绕过审批要求。
另一项变化是放弃传统 Git 工作流,转由内部系统承接高频变更。Claude Code 团队认为,人无需在脑中保存整个代码库的因果模型,需要了解局部时,直接让 Claude 生成能反映当前状态的说明。这比陈旧文档更及时,但会把人的排查能力部分转移到模型和运行数据上。
| 维度 | 传统实践 | Claude Code 团队实践 |
|---|---|---|
| 代码生成 | 开发者主要负责编码 | Claude 编写约 90% 的 Claude Code 代码 |
| 日均合并量 | 5 月约 2500 次 | 9 月超过 3 万次 |
| 低风险变更 | 通常仍需人工审查 | 目标为零人工合并 |
| 中风险变更 | 按团队流程审批 | 至少一名人员批准 |
| 代码理解方式 | 依赖人的全局心智模型 | 按需生成实时局部文档 |
争议也集中在代理协作本身。智能体发现小问题后往往继续修复,于是同一项变更可能经历数十轮审查,形成“修得越多,审得越久”的循环。团队因此设置轮次上限。相关统计显示,审核者反复标记的代码中约 59% 自首次审查后没有变化,说明不少后续意见其实是在清理历史缺陷,而非持续定位新问题。
现实案例暴露了另一类风险:Claude Code 错误判断问题生命周期规则,导致大量带有复现步骤的问题被当作长期无活动而关闭,关闭后又被锁定。公开的安全审查组件也明确提示,它尚未针对提示符注入攻击强化防护,仅适合检查可信的拉取请求。这意味着自动化边界不能只靠模型能力决定。
对普通用户意味着什么
对普通用户,Claude Code 带来的直接变化是软件更新可能更快。AI 参与测试、修复和审查后,小型配置、提示词与界面调整不必等待完整人工流程,产品迭代周期可能缩短。需要注意,生成式 AI 本身也是产品组成部分,提示词、代理指令和更新策略的变化,都可能改变软件行为。
使用企业软件时,用户也应关注新的治理方式。零人工合并不代表无人负责,而是把责任分配给分类规则、日志、测试和回滚机制。若企业采购 AI 编程工具,除了比较生成速度,还应询问审批记录在哪里、错误如何回滚,以及谁能在模型失效时接管操作。
对团队客户而言,这类系统最直观的价值可能是降低“每次改动都要资深工程师陪审”的成本。但节省下来的时间不能简单视为裁员空间,因为风险确认、事故复盘和合规审计仍是高责任工作。真正的收益应体现在更快交付更稳定的版本。
对开发者和从业者意味着什么
开发者的工作重心会从逐行产出代码,转向定义需求、约束行为、设计测试与验证结果。Anthropic 的实践表明,写代码更快并不会自动消除审查成本;如果智能体把每次小瑕疵都转化为新提交,系统反而会制造更多噪音。理解问题、压缩变更边界和给出高质量反馈,会比手写速度更重要。
代码审查工具的商业模式也将改变。Anthropic 已把 Code Review for Claude Code 推向 Team 和 Enterprise 套餐,并提供开源安全审查 GitHub Action。产品不再只按生成量收费,而会围绕审查吞吐、风险识别、策略配置和企业治理形成新价值层。不过,官方也披露了安全限制,这反而说明专业市场仍需要可信执行环境与人工兜底。
职业层面,初级开发者可能失去大量机械性修改任务,却能更早接触完整交付链。团队需要重新设计培养路径,让新人学习如何验证 AI 产出、识别错误因果和承担决策责任。若所有人都只会接受模型结论,Claude Code 所承诺的规模化协作就会缺少真正的审查者。
现在可以怎么做
- 先建立变更分级。把文档、提示词、功能开关和核心逻辑分别定级,明确哪些变更必须由人批准。
- 为智能体设置停止条件。规定最大修复轮数、相同问题阈值和回滚要求,避免审查循环吞没交付效率。
- 保存可追溯证据。记录模型版本、输入上下文、测试结果、审批人及合并理由,方便复盘事故。
- 单独测试提示注入风险。不要把来自外部仓库或用户生成内容的指令直接交给审查代理解释执行。
- 保留人工接管能力。关键服务、权限、计费和合规逻辑至少安排一名熟悉系统的工程师定期抽查。
常见问题
Anthropic 是否已经完全不需要代码审查?
没有。Claude Code 团队的目标是让多数变更在最多一人介入的条件下合并,中风险内容仍需批准。所谓“无人需要完整心智模型”,指无需持续理解所有代码,并不等于放弃审查、测试、回滚或事故责任。
Claude Code 为什么能支持每天 3 万次以上合并?
关键不只是 Claude 能写代码,而是生成、测试、分类和审查被串成自动流程。团队以变更风险决定审批强度,并为智能体修复设置上限,从而减少传统流程中等待人力和重复评论造成的瓶颈。
零人工合并是否意味着 AI 写的代码更安全?
不能直接画等号。低风险只描述变更类型,不代表实现必然安全。公开组件尚未针对提示符注入强化防护,Anthropic 自身也出现过错误判断问题生命周期的案例,因此仍需依赖测试、监控和人工抽查。
普通团队应该直接照搬这种模式吗?
不宜完整照搬。大团队可以先从文档、测试和带开关的小改动试点,再建立风险分类、日志与断路器。合规要求严格的核心系统,还应保留明确的人工审批数量,不能用代理审批替代责任人签字。
总结
Anthropic 用 Claude Code 证明了一件重要的事:AI 代码审查的瓶颈不只是模型能否找出缺陷,而是整个团队能否围绕智能体重构流程。按风险分级、按需生成文档、限制自动修复轮次,确实能把日均合并量从约 2500 次推向逾 3 万次。
但效率不是答案的全部。当 Claude Code 的错误判断造成问题被误关,安全组件又承认存在提示注入限制时,治理能力就必须同步升级。未来更可靠的方向,是让 Claude Code 承担重复验证,让人负责边界、异常和责任,而不是用“无人需要完整心智模型”替代组织判断。
