Grab

Grab 如何在 AI 程式碼量暴增下守住 App 穩定性:分層防禦實務解析

作者

本文呈現的 Grab 分層防禦體系判斷為具高實務價值的工程範式:它正確地把 AI 提速視為既定前提,將品質保障重點放在限制爆炸半徑與回饋循環上,而非單點把關。惟其前提是成熟的監控基礎設施、自動化工具與明確門檻機制,對中小型團隊完整複製的成本不低,需評估自身規模後裁剪採用三段式思路。

Grab 如何在 AI 程式碼量暴增下守住 App 穩定性:分層防禦實務解析

AI coding assistant 已經成為許多工程團隊的日常工具,它讓程式碼撰寫速度明顯加快,但也帶來一個直接後果:每次釋出所包含的程式碼變更數量大幅增加。對行動應用來說,這代表缺陷與當機的機會跟著上升。東南亞叫車與生活服務平台 Grab 最近分享了自身的因應經驗:他們沒有放慢採用 AI 工具的腳步,而是建立一套分層防禦策略,在開發與發佈生命週期的各個階段預防、偵測並控制當機問題。Grab 對此的總結是,AI 加快了程式碼產生的速度,而分層防禦正是讓這種速度變得安全的關鍵。

行動應用的當機問題之所以特別棘手,與行動生態的特性有關。Grab 每週有大量 merge request 來自多個產品團隊,許多功能透過 feature flag 獨立開關,並不跟隨版本釋出,任何一個變更都可能引入當機。當機一旦發生,不只是影響使用者體驗,還會拉低 crash-free session rate(無當機工作階段比率),進而影響 App 在 Google Play 的排名。更重要的是成本面:並非所有使用者都會開啟自動更新,所以一旦有缺陷的版本釋出,它會長時間停留在使用者裝置上。此外,並非每個當機都附帶乾淨且經過符號化的 stack trace,要找出原因往往得交叉比對釋出時間軸、flag 開啟紀錄與 session metadata,排查成本相當高。

Grab 的做法採取 shift-left 策略,也就是盡可能在開發流程的早期階段就把問題擋下來,防線從 pre-merge 一路延伸到發佈後。在 pre-merge 到 pre-production 階段,重點是預防,Grab 稱之為第一道防線。具體手段包括三類:一是靜態程式碼分析工具,例如 Android 平台的 Android Lint 與 iOS 平台的 SwiftLint,在程式碼還沒合併前就透過平台內建、社群維護與自訂的 lint 規則抓出問題;二是自動化與人工測試,涵蓋單元測試、UI 測試與 QA 檢查;三是名為 Grab Early Access(GEA)的 pre-production 關卡,把早期版本發佈給內部使用者並主動監控當機狀況。Grab 特別強調 GEA 的價值:在 GEA 中只有少數內部使用者看到的當機,放到正式環境的規模下就會變成當機率飆升、支援負擔加重,甚至需要緊急 hotfix,因此 GEA 成為最重要的穩定性關卡之一。

在發佈階段,防禦重點從預防轉為控制正式環境的暴露範圍。Grab 使用兩個機制:staged rollout 與 feature flags。Staged rollout 指的是新版本一開始只推送給一小部分使用者,工程師可以持續觀察當機狀況,一旦偵測到異常的當機率就能暫停推送,把影響範圍限制住。Feature flags 則讓團隊能夠逐步開啟功能並監控其對當機率的影響,如果某個功能導致當機率超出預先定義的門檻,可以立即停用該功能,不需要重新發佈版本。這兩個機制的共同精神是:把風險切成小份,讓問題在影響少數人時就被發現與處理。

發佈後的階段則聚焦於快速的事件回應,目標是盡快偵測、調查並控制正式環境中的當機。具體做法包括:使用 Firebase Crashlytics 與 BigQuery 進行即時當機監控,在新版本上線後第一時間找出異常;透過自動化 triage(問題分類分流)與強化後的診斷資訊,彙整當機的 metadata 與 stack trace,協助團隊把當機對應回特定的 pull request;最後是回饋循環與 post-mortem 分析,把每次事故的教訓轉化為新的 lint 規則與更完整的測試覆蓋,讓整個防禦體系持續進化。

從實務角度來看,Grab 的經驗傳達了一個重要觀點:AI 提升的開發速度本身不是問題,真正需要改變的是品質保護機制必須跟上速度。分層防禦的核心邏輯是「不依賴任何單一關卡」,而是讓每一層各司其職——早期靠靜態分析與測試預防,中期靠 GEA、staged rollout 與 feature flags 控制爆炸半徑,後期靠即時監控與事後分析加速回應並回饋到前端防線。這套做法的前提是團隊願意投入建置監控基礎設施、自動化工具與明確的門檻機制,對規模較小的團隊而言,完整複製的成本並不低;但「盡早發現、限制影響、事後回饋」的三段式思路,對任何面臨 AI 生成程式碼量成長的行動開發團隊都有參考價值。

本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理,並非原文逐字翻譯。