在現代軟體開發中，AI 輔助工具如 Cursor 或 Claude Code 已大幅提升程式碼產出速度，但這也帶來了一個新的瓶頸：人類審核程式碼（Code Review）的速度跟不上 AI 生成程式碼的速度。許多企業在導入 AI 時，僅將其視為工具的升級，卻忽略了這本質上是一場文化變革。Duolingo 的軟體工程師 Sarah Deitke 在 QCon London 的分享中指出，要讓工程師真正信任並採納 AI 代理（AI Agents）進入核心工作流，必須先建立組織內部的 AI 素養（AI Literacy），而非單純提供工具權限。
背景與挑戰：AI 導入中的文化阻力
當 AI 開始承擔更多開發責任時，組織內部通常會面臨三種主要阻力。首先是工程師的懷疑心態，尤其是對於被視為「神聖不可侵犯」的程式碼審核流程，許多人認為這是多年累積的最佳實踐，不應由 AI 取代。其次是責任歸屬（Accountability）的模糊化，當 AI 參與審核後，若出現 Bug，責任應由原作者、審核者還是 AI 承擔？最後則是信任問題，信任的建立緩慢且脆弱，一旦 AI 出錯，工程師可能會迅速對整個系統失去信心。
為了克服這些挑戰，Duolingo 成立了 DevEx AI 團隊，專注於提升工程師有效利用 AI 的能力。他們認為，若要實現自動化系統，必須先讓開發者理解 AI 的強項與侷限，將 AI 從「強加的工具」轉變為「賦能的助手」。
核心實踐：建立 AI 素養的教育路徑
Duolingo 並非透過外部廠商的通用培訓來推動 AI adoption，而是採取一套深耕內部的教育體系：
首先是結構化的實驗室工作坊（Lab-style Workshops）。這些工作坊提供由內部工程師預先驗證的內容，涵蓋 MCP 伺服器（Model Context Protocol，一種讓 LLM 能標準化連接外部數據源的協議）、Cursor 規則設定以及 LLM 請求批處理與評估（Evaluations）。由於內容經過內部認可，工程師的信任度遠高於通用教材。
其次是建立 AI 可視化儀表板（AI Observability Dashboards）。團隊追蹤不同職能（如 iOS、Android、後端）對 AI 工具的使用率、Token 消耗、模型家族及成本。這不僅能讓領導層掌握進度，更能發現某些工程師開發出高效的 AI 用法，進而鼓勵他們在內部社群分享。
此外，團隊還提供 15 分鐘的快速諮詢（Office Hours）以及雙週一次的 AI 經驗分享會。這種低壓力的學習環境，甚至吸引了非工程職能（如學習設計師、QA 團隊）參與，讓 AI 的影響力擴展至整個組織。同時，Duolingo 積極與 AI 供應商（如 Cursor）維持深層合作，參與 Beta 測試以提前解決內部痛點，並透過供應商了解產業內最新的評估（Evals）最佳實踐。
技術實踐：自動化程式碼審核系統（PR Risk Assessment）
在建立 AI 素養的基礎上，Duolingo 實作了 PR 風險評估系統，旨在解決審核瓶頸。該系統會將 Pull Request（PR）根據風險等級分為低、中、高三類，其中符合特定條件的「低風險」變更將由 AI Bot 直接核准並允許合併，無需人類介入。
運作機制上，該 Bot 會分析 PR 標題、驗證步驟、程式碼差異（Diff）以及預設的風險定義提示詞（Risk Prompt），交由 LLM 判定等級。低風險範疇包括 Markdown 文件修改、微小的功能調整或已核准的配置更新；中風險則包含 API 版本更新或基礎組件（如認證、日誌）的變更；高風險則涵蓋用戶權限、大規模基礎設施或核心功能修改。
為了降低風險，系統設定了多重護欄（Guardrails）： 第一，僅限於代碼所有者（Code Owners）開啟自動核准，確保核心維護者掌握控制權。 第二，針對特定目錄（如財務相關 CI/CD）或 AWS 資源變更完全禁用自動核准。 第三，新進工程師在入職期間無法使用此功能，以確保其先學習組織的最佳實踐。 第四，針對合規性要求高（如 SOX 或 ISO 認證）的儲存庫禁用自動化審核。
影響與限制：從速度提升到文化正向循環
這套系統帶來了顯著的數據改善。在過去半年中，透過 AI Bot 合併的 PR 比例從 0% 提升至 10%，而全公司的 PR 中位數合併時間（Median Time to Merge）從 18 小時下降至 12 小時。值得注意的是，這種加速產生了級聯效應，即使是需要人工審核的高風險 PR，也因為低風險項目的排除而獲得更快的處理速度。
在穩定性方面，自動核准幾乎未導致嚴重的系統事故。即便出現誤判，工程師也會在 Slack 頻道回報，團隊隨後將這些案例加入評估集（Eval list）中，用以微調風險提示詞。這形成了一個正向循環：因為工程師具備 AI 素養，他們不再排斥 AI 審核，而是將其視為可優化的系統，主動協助修正 AI 的判斷邏輯。
總結而言，Duolingo 的經驗證明，自動化並非單純的技術部署，而是「教育 $\rightarrow$ 信任 $\rightarrow$ 自動化」的過程。在部署 AI 代理之前，組織應先問自己：我們提供的是單純的工具權限，還是真正的 AI 素養？工程師是否感受到被賦能而非被取代？唯有先賦能於人，AI 才能真正安全且高效地融入核心工作流。
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。