速度若无控制毫无意义：在 AI 时代如何保持高质量

发布: 15小时前 (2025年12月10日 GMT+8 01:00)

8 min read

原文: GitHub Blog

Source: GitHub Blog

加速开发有什么意义，如果你不能信任自己交付的代码？

我们已经在工作流中使用 AI 有一段时间了，毫无疑问，日常开发的速度大幅提升。曾经需要数小时完成的任务现在几分钟就能结束。整个功能在你还没喝完早晨的咖啡时就已经搭建完毕。

但我们也体验到了这种速度的另一面：当 AI 在缺乏明确方向或防护措施的情况下使用时，它会产生所谓的 AI slop——缺乏上下文的半功能代码，悄悄堆积 bug、破损的 import 和技术债务。

在这个新纪元，仅仅快是不够的。精准和质量才是团队之间的差异化因素。

“最好的司机不是单纯跑得最快的，而是能够在高速下保持平稳和可控的，” GitHub 产品副总裁 Marcelo Oliveira 在 GitHub Universe 2025 说道。 “速度和控制不是相互妥协的关系，它们相互强化。”

那么，如何兼顾两者？如何在保持代码整洁、可靠且受你掌控的同时快速前进？以下是三条关键策略。

Tip #1: 将速度和质量视为一体

接受看似光鲜却隐藏潜在问题的 AI 生成代码很容易。没有质量的速度并不能让你更快交付，只会增加复合问题的风险。成功的团队会将 AI 驱动的高效与真实的防护措施相结合。

GitHub Code Quality（当前处于公开预览）是一款基于 AI 与 CodeQL 的分析工具，可在你编码时即时呈现代码库的可维护性问题、可靠性风险和技术债务。

一键启用

在仓库层面打开它，GitHub 将使用 CodeQL 与基于大模型的检测相结合，对你的代码进行分析，提供可维护性和可靠性问题的清晰视图。

在每个 Pull Request 中自动修复

只要打开 Pull Request，GitHub Code Quality 就会标记未使用的变量、重复的逻辑、运行时错误等。

问题代码示例

// fuelCalculator.js
export function calculateFuelUsage(laps, fuelPerLap) {
  const lastLap = laps[laps.length - 1]; // unused variable

  function totalFuel(laps, fuelPerLap) {
    return laps.length * fuelPerLap;
  }

  // duplicated function
  function totalFuel(laps, fuelPerLap) {
    return laps.length * fuelPerLap;
  }

  return totalFuel(laps, fuelPerLap);
}

AI 生成的修复

-export function calculateFuelUsage(laps, fuelPerLap) {
-  const lastLap = laps[laps.length - 1]; // unused variable
-
-  function totalFuel(laps, fuelPerLap) {
-    return laps.length * fuelPerLap;
-  }
-
-  // duplicated function
-  function totalFuel(laps, fuelPerLap) {
-    return laps.length * fuelPerLap;
-  }
-
-  return totalFuel(laps, fuelPerLap);
-}
+export function calculateFuelUsage(laps, fuelPerLap) {
+  if (!Array.isArray(laps) || typeof fuelPerLap !== "number") {
+    throw new Error("Invalid input");
+  }
+  return laps.length * fuelPerLap;
+}

无需人工分拣或减速——只有干净、可靠的代码。

强制质量门槛

规则集可以阻止不符合团队标准的合并，让质量保持一致，而不依赖审阅者的意志。

揭示（并修复）遗留技术债务

AI Findings 页面会突出显示团队已在处理的文件中的问题，帮助你在问题仍然新鲜时就进行修复，降低上下文切换的成本。

结论： AI 为你提供速度，GitHub Code Quality 为你提供控制。两者结合，让你在不做取舍的前提下更快、更好地构建软件。

了解更多关于 GitHub Code Quality 的信息

Tip #2: 成为司机，而不是乘客

AI 能快速生成代码，但质量从来不是仅靠自动化就能保证的。GitHub 提供了一系列工具——从 IDE 中的 Copilot 到 Pull Request 中的 Copilot 代码审查以及 GitHub Code Quality——帮助你洞察长期存在的问题并提供可操作的修复方案。

这些功能让你能够设定方向、标准和约束。你的意图越清晰，AI 对你的支持就越精准。

Prompting 框架

设定目标，而不仅是动作
糟糕的提示：

refactor this file

更好的提示：

refactor this file to improve readability and maintainability while preserving functionality, no breaking changes allowed

明确约束
- “不使用第三方依赖”
- “必须兼容 v1.7 版本”
- “遵循已有的命名规范”
提供参考上下文
链接到相关文件、文档、已有测试或架构决策。
决定输出格式
Pull Request、diff、patch、评论或代码块。

使用编码代理的多步骤任务

Create a new helper function for formatting currency across the app.
- Must handle USD and EUR
- Round up to two decimals
- Add three unit tests
- Do not modify existing price parser
- Return as a pull request

思考的责任仍在你身上，代理负责执行。

结论： AI 加速了执行，但只有你的清晰指令和 GitHub 的防护措施，才能把加速转化为高质量的软件。

了解更多关于编码代理的信息

Tip #3: 构建可见的思考证明，而不仅是输出

随着 AI 承担更多执行工作，优秀的开发者会通过清晰传达决策、权衡和推理来脱颖而出。仅仅写代码已经不够，你需要展示在整个功能生命周期中，你是如何思考、评估和处理问题的。

最佳实践清单

创建捕获 “why” 的 Issue
简要概述问题、成功标准、约束以及可能的风险。
用心命名分支和提交
使用有意义的名称和提交信息，叙述你的思考过程，而不仅是键入的操作。
使用 Copilot 与编码代理完成代码，然后记录决策
简短说明为何选择某种实现方式以及考虑过哪些备选方案。
打开包含丰富信息的 Pull Request
添加 “Why”、 “What changed” 与 “Trade‑offs” 部分，并可附上截图或测试说明。

示例

模糊的提交信息：

Added dark mode toggle

更丰富的上下文：

- Added dark mode toggle to improve accessibility and user preference support.
- Chose localStorage for persistence to avoid server dependency.
- Scoped styling changes to prevent side effects on existing components.
- Added unit tests for toggle state persistence and UI rendering.

通过在 “what” 之外记录 “why”，你为团队、未来的维护者以及自动化工具提供了一条透明的追踪路径，帮助他们理解并信任你交付的代码。