在 AI 輔助開發工具普及的今天，開發者產出程式碼的速度大幅提升，但這也帶來了一個被忽視的副作用：程式碼審查（Code Review）的壓力呈指數級增長。在 Craft 研討會上，Artie Shevchenko 提出了關於 AI 時代下如何維持高效且可持續的審查機制，探討在自動化工具與人類審查之間，如何找到一個能維持技術掌控力的平衡點。
AI 與知識反饋迴路
要理解 AI 審查的風險，首先得認識知識反饋迴路（Knowledge Feedback Loop）。經濟歷史學家 Joel Mokyr 指出，技術進步之所以能轉化為永久性的成果，是因為實踐與理論之間存在持續的相互餵養。在軟體開發中，這意味著開發者在寫程式（實踐）與審查程式碼（理論驗證）的過程中，能深化對系統的理解。
然而，AI 的運作本質是生成 Token（文字片段），而非真正的理解。AI 能將複雜的理論轉化為符合上下文的範例，讓知識變得更容易獲取，但這也創造了一種理解的錯覺。如果開發者僅僅是接受 AI 給出的答案而缺乏深層思考，這種「沒有理解的知識」將會中斷反饋迴路，導致團隊對程式碼庫的掌握度逐漸下降。
認知債務與審查瓶頸
當 AI 大幅增加程式碼產出量時，團隊會面臨認知債務（Cognitive Debt）的侵蝕。認知債務是指團隊對於所維護系統的共同理解程度逐漸降低。當審查量過大，開發者容易陷入疲勞，導致審查品質下降，進而累積更多不被理解的程式碼，形成惡性循環。
AI 生成的程式碼具有一種欺騙性的正確感（Deceptive Correctness）。與人類撰寫的程式碼相比，AI 產出的結果通常看起來非常專業且合理，但其中可能隱藏著細微的邏輯缺陷。要發現這些問題，往往需要比審查人類程式碼花費更多的心力。此外，AI 的傾向是增加新程式碼而非簡化既有結構，這使得重構與精簡程式碼的機會更容易被忽略。
面對這種壓力，Shevchenko 認為程式碼審查不僅是一種習慣，更像是一種需要訓練的肌肉。但肌肉的負荷是有上限的，因此不能單靠增加開發者的耐力，而必須從流程上優化。
可持續的審查策略
針對不同複雜度的變更，可以採取分級處理。對於低風險的微小變更，可以跳過同儕審查（Peer Review）而直接依賴 AI 審核，以提升開發速度。但對於複雜且非瑣碎的變更，建議採用「先開發、後 AI」的模式。
具體操作方式是：開發者先針對問題進行 Spike（快速原型開發或技術探索），在深層理解解決方案後，將此原型與規格書提供給 AI，由 AI 提出改進建議與修復方案。接著，開發者再逐一審核 AI 提出的變更。這種做法確保了人類在審查前已經掌握核心邏輯，而非被動地審查 AI 產出的結果，從而維持對程式碼庫的智力掌控。
此外，另一項關鍵優化是強化程式碼所有權（Code Ownership）制度。在這種模型下，所有權持有者必須對其負責的模組所有變更負責。如果政策允許所有權持有者在提交自己的 PR（Pull Request，拉取請求）時，僅需 AI 審核通過即可合併，這將極大激勵工程師爭取成為所有權持有者，因為這賦予了他們更高的自主權並消除了等待審查的時間。
實務限制與團隊規模
雖然上述策略能緩解瓶頸，但其生效的前提是團隊規模必須保持精簡。如果團隊過大，且僅有少數人擁有所有權，那麼這些所有權持有者將被淹沒在非所有者提交的 AI 程式碼海中，導致審查疲勞依然嚴重。
因此，要讓 AI 時代的人類審查變得可持續，必須將「小規模團隊」與「廣泛的所有權分佈」結合。只有當大多數團隊成員都成為其負責區域的所有權持有者，且能透過 AI 快速處理低風險變更時，人類才能將有限的認知資源集中在真正複雜、影響深遠的架構問題上，避免在 AI 的加速下喪失對系統的掌控力。
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。