Partial Code Understanding Is Normal in Large Projects and for AI Agents
Sean Goedecke argues that in large software projects, programmers understanding only the code they own is normal and is the best achievable state. Bao Yu extends this to AI agents: they too can never fully understand a codebase in one session, so quality must be backstopped by automated tests, code review, and having agents supply screenshot evidence.
Related Entities
Full Report
宝玉 (@dotey) · 2026-11-21 00
Sean Goedecke 在个人博客发文说,在大型软件项目里,程序员只理解自己负责的那一部分代码是正常的,而且这已经是能做到的最好状态。
确实如此,我基于原文稍微解读和引申一下。
很多人说 AI 写不好程序,因为 AI 不能完整理解代码库,但实际上在大的软件项目中,程序员只理解自己负责的一小部分代码是常态。
想象一下,新人去接手一个历史复杂项目,那么他们短时间只可能理解一部分代码,但这并不妨碍他们去维护项目。
那么以前怎么保证不理解完整代码不会改出问题呢?还得要靠自动化测试来兜底。
一个好的项目,需要配合好充分的自动化测试覆盖,这样就算新手去修改代码,也不至于把正常运行的系统搞崩溃,毕竟改出问题了自动化测试是无法通过的。
并且为了防止新人乱改,还会有 Code Review 配合,这本身也是很好的知识传承手段。
现在让 Agent 干活也是如此,让 Agent 在一个会话上下文中理解整个项目是不现实的,它永远只能部分理解项目,但这并不妨碍 Agent 去修改运行程序。
要保证 Agent 干活的质量,同样也要通过验证手段兜底,自动化测试是必须的,但也无法过度依赖,因为有些测试可能本身就是有问题的;
Code Review 现在也很难保证了,毕竟代码量太大了,人根本看不过来,只能是让 AI Review 大部分代码,人只 Review 最重要的部分。
另外一个有效手段就是让 Agent 自己提供证据,比如我最近最常用的手段就是让 Agent 截图,在开发新功能的时候让它提供新功能截图,修改 bug 的时候提供改之前和改之后的截图对比。
让 Agent 截图,最近还挖掘出来一个用法:就是让 Agent 自己去模拟 API 响应数据,动态生成各种不同场景的截图,都不需要服务端配合,虽然我还没搞明白它是怎么去模拟的。
↳ 引用 @sjgoedecke (Sean Goedecke): In many software engineering environments, there’s nothing wrong with being in a state of partial understanding. In fact, in large systems a partial understanding is the best you can do.