Tencent Engineer Warns AI Coding Inflates Commits Dozens of Times
A Tencent agent developer observes that AI-assisted coding has multiplied commit volume dozens of times while controllability declines: lacking the tacit knowledge humans use to trim edge cases during reviews, AI conservatively expands every exception path, inflating coordination state until review degrades into pattern matching. The author argues the bottleneck is convergence, not generation, and calls for explicit pre-generation constraints and human interrupt points.
Related Entities
Full Report
说个最近越想越不对劲的事......
《AI 编程的加速陷阱》
我是maple，目前主要在腾讯做Agent 相关的一些开发业务。
我们团队现在代码提交量大概是以前的几十倍。一开始大家挺兴奋，觉得效率上来了。但慢慢我发现，量上来了，可控性反而下去了，而且是整条链一起往下掉。
需求评审完，产品随口说了句，「这个边界先不用管，实际业务里不会这么用。」程序员点点头，测试也没为这个场景开单。这句话没进 PRD，没进纪要，也没变成用例，但它实实在在把系统复杂度降下来了。
现在换成 AI 编程。这句「先不用管」没人写进需求。AI 很认真地把边界展开成十几个状态、一堆异常路径和兼容分支。代码提交量上去了，测试单也上去了，所有人就被拖进了循环。
问题不是 AI 不努力，是它不知道人类本来会妥协。
传统手工编程时，我们从来没把所有状态全实现过。真正让东西能交付的，是产品、开发、测试在磨合里一次次把边界裁掉。哪些异常不会发生，哪些兼容可以放弃，哪些测试细节不值得开单。这些大多不在文档里，是组织里的隐性知识。
AI 没有这套隐性知识。没有显式约束时，它倾向于保守展开，所有边界都当有效，所有异常都当要覆盖。结果就是协调状态急剧膨胀，AI 处理不完，人也 review 不过来。
以前复杂度在进代码前就被人类裁掉了。现在复杂度先被展开，再想靠 review 和测试收回来。但人的带宽有限，变更一旦超过某个量级，review 就会从「判断对不对」退化成「看着像不像」。
上周我翻了一个中等需求的提交记录。以前类似需求大概二三十次提交，这次是六百多次。测试刚跑完一轮，第二天又多了八十多个 commit。他追不上，只能用 AI 批量生成用例、批量开单。开发收到一堆细节单，也只能继续用 AI 批量改。
这就陷入了恶性循环。
关键不是「AI 太快」，是加速链里没有中断点。软件工程本来需要一些减速带，需求裁剪、验收标准、测试取舍、发布门禁、人工否决。这些减速带被冲掉后，速度不会自动变成吞吐，反而会变成噪声和返工。
所以方向不是「事后 review 更多」，而是「生成前约束更多」。把不处理场景、可接受异常、兼容范围和人工兜底写清楚，让 AI 能读到、能执行。组织上也得保留人类说「停」的权力。
AI 编程缺的可能不是生成能力，是收敛能力。
没有中断的加速，不是吞吐，是噪声。