周一早上，工程師陳斌提交了一個服務增加本地緩存的拉取請求。AI審查工具掃過差異，沒發(fā)現(xiàn)語法錯誤，還貼了個優(yōu)化標簽：“性能提升，建議合入。”架構師王磊看完卻直接打了回去，理由是緩存應該集中在API網(wǎng)關層，否則會破壞可觀測性和一致性。同一段改動，AI給的是通過，人給的卻是拒絕。這不是孤例——在越來越多的團隊把AI審查塞進流水線之后，這類“人與機器的分歧”正在高頻出現(xiàn)。

分歧的背后，不是AI不夠聰明，而是它能看見的東西被嚴格限定在代碼本身。語法、模式、常規(guī)缺陷排查，這些AI已經(jīng)做得足夠快且可靠。可一旦超出局部上下文，就出現(xiàn)了四個明確的盲區(qū)：架構邊界、產(chǎn)品上下文、工程權衡，以及那種說不清但工程師能“聞”到的代碼氣味。這四個缺口，恰好橫在“代碼正確”和“軟件成功”之間。

1. 架構的生存空間不在差異里

AI靠一段窗口內(nèi)的代碼來做判斷。人類審查者看的則是系統(tǒng)。

一個看起來很干凈的抽象被提交。AI認為抽象得當，值得合入。人卻會停下來想三件事：這個抽象是不是在別處已經(jīng)存在？它會不會與長期架構方向產(chǎn)生微妙沖突？它引入的依賴將來解耦時會成為債務嗎？這些判斷需要的不是代碼塊，而是對倉庫歷史、團隊約定和演進路線的全局感知。

回到開頭的緩存例子。AI只看到函數(shù)里多了幾行緩存邏輯，自動認為這是性能優(yōu)化。但人類評估的是：這個服務是否應該自行決定緩存策略？緩存鍵的命名會不會污染共享存儲？如果改成集中緩存，監(jiān)控和排查是否更簡單？AI優(yōu)化局部，人推理全局。這個差別在大規(guī)模系統(tǒng)里會指數(shù)級放大。

2. 代碼里沒有產(chǎn)品上下文

AI審查的是正確性和風格。它不懂這段代碼為什么而寫。

一段代碼完全可能技術正確、測試通過、遵循最佳實踐，但仍然是錯誤的——不是語法錯，而是方向錯。人類審查者帶著產(chǎn)品意識上場，會追問：它和預期的用戶體驗對得上嗎？它和當前產(chǎn)品優(yōu)先級匹配嗎？一個可能很快下線的功能，值得投入這么重的架構嗎？

典型場景是特性標志的實現(xiàn)。AI可能會接受一個靈活可復用的標志系統(tǒng)，覺得擴展性好。但熟悉產(chǎn)品路線圖的人會說：“這是兩周后就要刪掉的一次性實驗，保持最簡單的方式，別把它做成可以配置的框架。”AI默認代碼長久存在，人卻理解時間線。當代碼的生命周期只有兩周時，“過度設計”造成的傷害比“不夠優(yōu)雅”嚴重得多。

3. 權衡靠的是判斷，不是規(guī)則

工程決策常常在取舍之間，而非正確錯誤之間。AI能建議更高效的算法、更干凈的抽象、更低的重復率，但在“這個復雜度值得嗎”“團隊能維護得了嗎”“是不是在過早優(yōu)化”這類問題面前，它幾乎沒有判斷力。

經(jīng)驗豐富的審查者有時會主動放行“看起來有點亂”的代碼。這樣做有明確理由：它更容易調(diào)試；它跟團隊日常的寫法一致，不會增加認知負擔；它能降低新人上手的摩擦。這些都是在開發(fā)效率、維護成本和代碼美感之間做的實用主義選擇。AI傾向于理想解，人類選擇可行解。反而那種試圖把所有東西都抽象成優(yōu)雅工具庫的做法，會在迭代中被現(xiàn)實教育。

4. 聞不到的“代碼氣味”

老練的工程師對代碼有一種近乎直覺的感受：“這段代碼感覺不對。”哪怕沒有顯式規(guī)則被違反，這種信號依然會冒出來。

常見信號包括：命名風格不一致，可能隱藏著模塊歸屬不清的問題；控制流略顯別扭，也許暗示著未被覆蓋的邊界條件。這些都不算漏洞，也不會被靜態(tài)檢查抓出來。但人類審查者會感知到結構性張力，進而要求澄清意圖或重新梳理邏輯。AI目前缺乏這種捕捉“隱性風險”的能力，因為其訓練數(shù)據(jù)教它判斷的是對錯，而不是“隱隱不安”。

人與機器的組合不是替代，是補充

列出這些局限，不是要否定AI審查工具的價值。相反，那些自動化的語法檢查、模式識別和風格約束已經(jīng)成了很多團隊的標配，而且確實減少了大量低級錯誤。問題在于，許多人下意識地把AI審查的位置放得太高，甚至期待它替代對架構和產(chǎn)品有理解的人類評審。

目前的現(xiàn)實是：AI能在局部把代碼修得像教科書，但無法回答“這段代碼對系統(tǒng)意味著什么”。而這個問題，恰好是軟件從“能運行”到“能長期演進”必須跨越的。那種把AI通過等同于可發(fā)布的流水線配置，正在制造一種危險的舒適感——表面上沒有告警，實際上卻埋下耦合和復雜度的暗雷。

所以更健康的使用方式，是把AI當成第一道檢查者：它處理機械性、重復性的審核勞動，讓人從風格爭論中解脫出來，然后集中精力去關注架構一致性、產(chǎn)品意圖和長期維護成本。人與AI的協(xié)作不是此消彼長的替代關系，而是各自負責最擅長的部分。當團隊開始這樣用審查流程時，代碼庫里增加的不只是正確率，還有可持續(xù)性。