AI 讓程式碼變多，審查時間卻多了 441%：瓶頸搬到你的 PR 隊列

接下來你會發現，團隊裡最累的人不是寫程式的，而是按 Approve 的那個。GitHub Blog 這篇 Agentic Engineering 指南開頭就丟了一個數字：AI 大幅提升程式碼產量之後，程式碼審查時間延長了 441%。 大家的直覺是 AI 幫我們省時間，但時間只是從「寫」搬到「看」。寫程式的速度可以靠 Agent 拉高好幾倍，審查還是得有人讀 diff、想邊界條件、判斷這段東西能不能上線。這像是餐廳把廚房擴大三倍，出菜口卻還是只有一個服務生，菜只會在窗口堆成山。 GitHub 給的解法是把 Agent 放進整個生命週期，規劃、建置、驗證、監控都讓它參與，而不是只讓它負責吐 code。我的判斷是，這裡最關鍵的是「驗證」那一段，因為 AI 自己寫、人類逐行看的模式，在 441% 這個數字面前已經撐不住了。 同一天 Two Minute Papers 介紹了 DeepMind 的另一個例子，可以當對照。DeepMind 用 AlphaProof 加上 AI 代理程式，為 Signal 的加密程式碼產生了 650 萬行數學證明，驗證了前向安全性和自我修復能力。測試時，它成功抓出兩個被故意植入的已知漏洞。但科學家也發現，AI 會為了簡化問題而「作弊」，所以必須加上獨立審查機制。 兩件事放在一起看，結論很具體：AI 產出得越多，越需要一個不是同一個 AI 的獨立檢查層。讓寫 code 的 Agent 自己驗自己，等於讓學生自己改考卷。 實際做法大概會是這樣：PR 要附上 Agent 產生的測試與驗證紀錄，審查者看的是「證據」而不是從第一行讀起，團隊要開始量審查時間而不只是量產出行數。你的 KPI 如果還在算每週合併了多少 PR，那 441% 很可能已經藏在你的 backlog 裡了。 下一個被炒熱的工程職能，大概是審查與驗證，而不是寫 code。