2026-11-18 · 33 min read

一个月 2500 张 PR:把信任一阶一阶换成产能

一份对某位资深工程师自动化工作流的拆解整理。她能一个月合并不乏几千张 PR,靠的不是写得更快,而是把人类介入点一路往后推。三阶段各有机制:规划阶段先搞清系统怎么跑、为什么这么写,再打磨需求;实作阶段先画骨架、多模型比稿、测试先行;验收阶段让 AI 自己写操作 SOP、自己算爆炸半径、让不同家族的模型交叉审问。最关键的一条铁律是「写这张 PR 的 AI 永远无权核准自己的 PR」。收尾给了六步进阶路径,每步都有过标准的判据。

本文整理自一支 26 分钟的繁中解说视频,拆解一位工程师开源的自动化开发工作流。文稿由字幕整理而来,属整理稿而非逐字记录。

文中的人名、数字与工具名沿用原片口述,未做外部核验。

开场那组数字

作者一上来就给了三个递进的数量级,我觉得这个对比很有效。

「如果你不是技术背景,可以把一张 PR 想像成你完成工作的一份结案报告。」

过去一般人一天能搞定两三个小案子,效率就很惊人了。现在配合 AI,一天搞个十几二十个也算是非常厉害。

而这位工程师呢?

一天平均可以处理八十几个案子。

甚至有天早上她醒来打开电脑,发现有 20 个 PR 是 AI 趁她睡觉时自己做完、检查完,然后提交出去的。

作者的疑问也是读者的疑问:

我们自己平常在用 AI,通常还是得一直盯着它、帮它审核产出——怎么敢让它不经过你就直接提交出去?

而答案藏在她的背景里:

她待过几家顶尖科技公司,现在在一个 AI 团队负责产品。

**她本身就是一位标准很高的资深工程师。**所以那 2500 张 PR 不是随便让 AI 乱生出来的垃圾,而是真的能进到大厂产品里的代码。

一个必须回答的算术问题

作者提了一个我觉得很关键的反问:

就算她再厉害,一天八十几张 PR——不要说亲手写,就算叫她一张一张用肉眼检查,时间也绝对不够用。

所以:她到底是怎么做到的?

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["AI 写得快<br/>不再是瓶颈"] --> B["审查成为新瓶颈"]
    B --> C["要么加快审"]
    B --> D["要么把审移出合并前"]

上图是这个问题拆开后的两条路。而整套工作流就是这两条路的分头实现。

先说工具结构

她开源的工作流里有将近六十个 skill。

作者澄清了一个门槛:

这六十个里面有 24 个是写给 AI 遵守的底层工程原则——给 AI 阅读的,不用你自己操作。

剩下的三十几个工具型 skill,虽然随时可以单独调用,但平常工作你只需要记一个总管指令。

那个总管指令内置了二十几本不同任务的作业手册,会根据当前场景自动叫出合适的 skill。

一个前置设计:模型分派

装好第一步要先跑初始化 skill,而它的作用很特别:

它会先侦测当前可用的模型,然后给工作流里的每一个角色分配适合的模型。

而理由是她的核心观念:

不同模型有各自的强项跟成本,不应该从头到尾只用同一个模型。

具体怎么分?

活的性质派给谁
耗体力的(写代码、跑测试、分头找资料)便宜又快的模型
需深度思考的(架构设计、写文案、当裁判)前沿模型

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    A["任务进来"] --> B{"要体力还是要脑子"}
    B -->|"体力"| C["快模型<br/>便宜"]
    B -->|"深度思考"| D["前沿模型<br/>贵但准"]

上图是这个分派。注意「当裁判」被归到了贵的这一档。

三阶段:规划、实作、验收

要冲出一个月 2500 张 PR,前面的规划跟实作追求的是让 AI 一次做对、减少返工。

而后面的验收,解决的是 AI 编程里很重要的「验证」——怎么让 AI 检查并验证自己的产出,让人不用自己来。

规划阶段:先搞懂,再动手 ⭐

作者先讲了常规做法的局限:

通常我们会开规划模式,让 AI 先写一份计划书;或是先画个原型。

但一般的规划模式不会去挖那么深的背景资讯——它通常只是把附近的几个文件看一看,就凑出一份计划开始做。

而她的升级,是在规划之前做两件事。

一、先搞清系统怎么跑

如果 AI 只看眼前这一个文件就开始规划,很容易跟原本的架构冲突,或是自己重复造轮子。

所以要先强迫 AI 把相关的模组读透、建立全局观,才准开始想怎么改。

二、再搞清当初为什么这么写 ⭐

这一段我觉得解释得特别好。

代码本身只会显示结果,不会显示历史。

很多时候系统里有一段看起来绕、奇怪的写法,其实是前人踩过某个大坑、为了防呆才加上去的保护机制。

如果 AI 在规划时不知道这段历史,就会自作聪明把它改掉——结果让旧的 bug 重新爆炸。

所以第二个 skill 会在动手前自动去翻手边的记录:

比如说 Git 的修改纪录、工单系统、文档,甚至聊天纪录,把当初为什么这样设计的前因后果全部挖出来。

确保之后的改动不会让以前想防范的问题复发。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["读代码<br/>现在怎么跑"] --> B["翻记录<br/>当初为什么这么写"]
    B --> C["才准开始规划"]
    C --> D["不会拆掉<br/>当年的防护机制"]

上图是这两步的关系。很多人只做了第一步,所以改得又快又错。

一个小工具:打磨需求

作者说这是他个人最喜欢的,因为它解决了一个很常见的失效。

我们平常叫 AI 做事,下的指令常常很不精炼——比如只打一句「帮我让这个网页跑快一点」。

这样产出来的结果通常都不太好。

那为什么不叫 AI 帮你优化这个指令?

因为一般的 AI 最常犯的毛病是帮你乱加戏,塞一堆你当初没要求的周边功能,把任务范围越搞越大。

所以这个工具的设计目标很明确:

它不发散你的需求,而是专注把你原本要做的事往深处做透。

它从四个角度重构你的指令。

角度问什么
一这个领域的顶尖老手接到这任务,有哪些关键步骤是他通常必做、但你刚刚没提到的?
二做判断时必须从第一性原理出发,直接看最底层的原始码或一手源头,而不是看被消化过的二手文件
三这个领域的专业人士会用什么具体工具与方法来完成这件事?
四要用什么客观方式证明这件事真的做对了?

最后产出的东西变了:

它会把原本简单的一句话,重写成一份含有明确验收条件、而且足够有专业深度的指令,交还给你确认。

你看过觉得没问题了,再送出去。

**「先让 AI 把需求写清楚,再让它执行」。**这个顺序调换的收益,可能比换更强的模型还大。

实作阶段:先骨架,再砌砖

动工前有一个「建筑师」skill,核心精神就跟盖房子一样:先画好格局图,才准动工砌砖头。

它规定 AI 先不准写里面的细节,要先从使用者未来会怎么用这个功能倒推,先把整个系统的外框跟分工定下来。

而它的设计标准很有意思,我原样保留:

它预设「下一个来接手的 AI 只会看眼前打开的那一个文件、照抄最近的例子、走最省力的捷径」。

所以好的架构必须做到:就算下一个 AI 只看局部、无脑照抄,改出来的结果对整个系统也还是对的。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["假设接手者<br/>只看一个文件"] --> B["所以骨架必须<br/>局部照抄也不会错"]
    B --> C["架构的真正考验"]

上图是这个判据。它把「代码可维护性」换成了一个可执行的检验:换个笨的接手者,会不会搞砸。

而画骨架的时候还有一个「比稿」机制:

它会在背后自动把同一个题目同时丢给不同家的模型各自设计,再交叉比对,把各家的亮点融合在一起。

等确认这张集结各家优点的骨架没问题了,才让负责写代码的 AI 顺着这个外框真正实作。

强制测试先行 ⭐

这一条的理由讲得很硬:

如果让 AI 先写代码再补测试,万一代码写错了,它为了交差会直接生出一个配合错误逻辑的假测试,来骗你说检查通过。

所以这个 skill 就是用来防作弊的:在写任何一行代码之前,AI 必须先把检查对错的测试定死。

因为这时候功能还没写,测试一跑绝对会失败、亮红灯。

等到红灯出现了,才准 AI 动手写程序——直到红灯变成过关的绿灯为止。

「先让测试失败」这个顺序,本身就是一种防作弊机制。 因为它证明了这个测试真的有能力发现错误。

验收阶段:整套系统最关键的地方

作者在这里把话说得很明确:

现在用 AI 写代码已经非常快了,真正的瓶颈其实卡在检查。也就是你敢不敢让 AI 写的代码直接上线。

而跨过这个瓶颈只有两个方向(就是开头那两条路)。

方向一:把审一张 PR 的速度拉到最快

他先拆了「为什么审 AI 的 PR 会花时间」,我觉得这个三分法很准。

担心问题
一你说改好了,新功能真的会动吗?
二你改了这里,影响范围有多大、会不会把别的地方弄坏?
三里面的代码质量好不好、有没有低级漏洞?

而她的做法是:用三个 skill 逼 AI 在交件之前,自己把这三件事证明完。

第一关:证明新功能真的会动 ⭐

他先问了一个根本问题:

为什么以前 AI 改完程序,非得要人类自己打开 App 点点看?

因为 AI 只看得懂代码,它根本不知道这个 App 要怎么启动、某个功能的按钮在画面哪里、点完之后看到什么画面才算成功。

而这个 skill 的本质是:

让 AI 先去把整个专案读透,自动写出一份「怎么像真人一样操作并检查这个 App」的标准作业流程。

只要建立好这份 SOP,以后 AI 每次改完代码就能自己打开 App,照着真实使用者的路径点一遍, 并把操作过程录成视频或截图,直接当作「它已经完成、而且你的 App 没被改爆」的证据。

注意这一招的巧妙之处:它把「人类验证」这次性的成本,转化成了一份可以反复使用的资产。

第二关:算出爆炸半径

当你一天要审几十张 PR,你不可能每一张都花一样的时间细看。

所以这个 skill 的目的就是先帮你标出这张 PR 的风险高低。

爆炸半径怎么办
小(只改到独立的小角落)扫一眼就结束
大(动到多个功能共用的底层逻辑)必须特别小心,值得多花时间

「按风险分配注意力」——这是把审查做成流水线的前提。

第三关:不同家族的模型交叉审问 ⭐

他先点破了「角色扮演式审查」的无效:

很多人让 AI 帮忙审代码,喜欢叫同一个 AI「现在请你扮演资深专家来挑毛病」。

但同一个模型不管换几个角色,它的盲点还是一模一样——漏掉的地方永远会漏掉。

所以做法是:

把改好的代码同时丢给不同家族的模型去审。

这样一来,A 没看出的死角,B 能帮你抓出来。

而且如果某个地方连两家不同模型都异口同声警告有问题,那就代表这绝对不是误判。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["同一模型换角色<br/>盲点不变"] --> C["换家族交叉审"]
    B["不同模型<br/>盲区不重叠"] --> C
    C --> D["两家都报警<br/>基本可确认"]

上图是这个差别。而他也诚实提了代价:

这样会消耗掉你比较多的 token,预算比较紧的朋友可能要慎重考虑。

那 PR 送到面前时是什么样

里面的代码已经被不同模型交叉洗过一轮,而且 PR 里面直接摆好了修改前后的操作视频跟爆炸半径的实测数据。

她根本不用自己把代码拉下来跑——只要打开 PR 页面看一眼叙述、截图或操作视频,几十秒钟就能确认这张 PR 有没有做对。

「几十秒」这个数字背后是:所有验证成本都被前移到了 AI 那一侧。

方向二:把「合并前按确认」整个拿掉

这是更激进的一步,而它的关键是那条铁律:

写这张 PR 的 AI,永远没有权力核准自己的 PR。道理就是球员不可以兼裁判。

具体怎么执行?

每张 PR 准备要合并时,系统会另外派出十个左右、从头到尾没参与写这段代码的独立验收 AI。

同时在云端把 App 打开,各自像这个 App 的使用者一样到处点击测试,找有没有东西被弄坏。

只有当这群独立裁判全部盖章通过,系统才会自动把这张 PR 合并进主线。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    A["写代码的 AI"] -->|"交出 PR"| B["10 个独立裁判"]
    B -->|"全部通过"| C["自动合并"]
    B -->|"有异议"| D["退回修改"]
    A -.->|"禁止自审"| X["不能自己核准"]

上图是这个隔离。注意「没参与写这段代码」这个限定。它保证裁判没有「我知道我为什么这么写」的先入之见。

这一条最有价值:隔天早上做什么 ⭐

作者提了一个很好的问题:

如果连合并都全自动了,那她隔天早上醒来的工作是什么?

答案是:

她还是在把关 AI 的产出,并观察 AI 的工作流程哪里有问题,好去修正系统环境。

只是到了这个阶段,她不再一张一张全看,而是改成抽样检查。

那怎么知道该抽查哪几张

这里有一个我觉得是全片最聪明的设计。

AI 半夜解问题不会每次都一次写对——可能先试了 A 写法失败,才退掉改用 B 写法。

如果只看最后合并的代码,你根本不知道它中间踩过什么坑。

所以有个 skill 规定:

AI 必须边做边填一张决策记录表——把昨晚试过哪个做法失败、最后为什么这样改、以及怎么验证的,全部一行一行记下来。

而且交给她之前,还有一道:

系统会先派另一家不同模型的 AI 去核对这张表,直接把昨晚验证不够扎实、或改法有风险的地方标记出来。

这样她早上醒来只要看表格上被标记出来的重点,就能马上挑出有风险的 PR 来抽样检查。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["AI 边做边记<br/>试过什么 · 为什么改"] --> B["另一家模型核对这张表"]
    B --> C["标出验证不扎实处"]
    C --> D["人只看标记点"]

上图是这个链路。它把「信任」变成了可审计的产物——不是相信 AI 没问题,而是看它有没有留下能被检查的过程。

环境改造:让错误物理上不可能

这一节我认为是整篇的思想核心。

他先描述了多数人的反应:

大部分人遇到 AI 犯错,直觉反应是在提示词或规则文件里加一条「叫它下次注意」。

但她认为这种做法没什么用——因为写在那里的文字属于软规则,AI 就算读了,聊几句之后还是会忘记。

而她每次看到 AI 犯错,问自己的问题永远是:

要怎么改系统环境,才能让这个错从物理上就不可能发生?

具体怎么做?

手法例子
统一写法AI 天生最爱照抄现有代码 → 确保专案里每件事只有一种标准写法,能抄的全是正确范本
写成 Lint 规则接上 CI前端那种容易让画面卡死的写法,直接新增规则禁用;AI 敢写就亮红灯挡住
规则文件最后万不得已的手段——「因为这种软规则就算 AI 没照做,你也不会知道」

而这条路的额外收益,他说得很清楚:

因为整个环境已经被她改造到「想写错都很难」,现在团队里连不懂深度开发的产品经理跟设计师,都能自己叫 AI 改功能、送出 PR,而且她打开看一眼通常就能直接核准。

「想写错都很难」——这句话把工程能力的价值讲到了组织层面。

产能的真正来源:两套外围机制

作者提醒:光靠把单一任务做好,还不足以解释 2500 张 PR。

她既不可能自己同时盯八十个对话框,也不可能每天自己想出八十个任务。

一、平行派工

就像一个经营十几间分店的老闆,电脑里同时开着十几个专案。

每个专案里都有一个不写代码的总管 AI——只负责看全局、把大任务拆小,再派给底下的工人 AI 去写,最后交给验收团自动审核跟合并。

二、自动进单 ⭐

这一套我觉得对做产品的人最有启发。

让工作自己找上门。对外的做法是派一个机器人 24 小时盯着社群、社交平台和邮件上的使用者回馈。

但问题在于:

一般使用者回馈问题通常都很模糊,可能只丢一张截图加一句「画面卡住了」。

这种讯息是没办法直接交给写代码的 AI 去做的。

所以中间那个角色是「翻译器」:

步做什么
一翻代码与工单纪录,确认是哪个模组的问题、是不是已经有人报过
二在云端打开 App 照着实操一次,确认这 bug 真的能重现、且最新主线上还没修掉
三把问题在哪段代码、怎么重现、坏掉的截图证据打包成一张清楚的工单
四直接发给负责那个专案的总管 AI 去派工修复

**「把模糊的抱怨转成 AI 能执行的工单」。**这一步其实是整条自动化链上最容易断的地方,而她用机器把它补上了。

对内的做法则更聪明:

派专门巡逻的 AI 每天扫描坏写法,但规定它不准看到就自己乱修,而是先记进一份清单。

过几天她看一次清单,常常会发现上面记的十个问题背后其实是同一个根本原因。这时候再交给总管 AI 一次派工处理掉,比派十个 AI 各自瞎忙有效率得多。

六步进阶路径 ⭐

**这是全篇对普通读者最实用的部分。**她说每一步都有过标准,确认做到了再往下一步。

步做什么过关标准
一先用一个 AI,观察它怎么失败能清楚讲出它最常犯的三种错误
二把纠正变成规则同一种错误不再出现第二次
三交件必须附证据不用亲自打开文件,光看证据就能判断对错
四同时开两三个 AI,把做与审分开同时开三个都还照顾得过来,且交回来的东西大部分不用重做
五睡前交代任务,但停在合并之前完成条件必须是非黑即白、AI 自己能判断的
六才开启自动合并连续几个早上醒来的 PR 都不需要收拾,看一眼就能直接合并

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["① 观察失败"] --> B["② 变成规则"]
    B --> C["③ 交件附证据"]
    C --> D["④ 做审分开"]
    D --> E["⑤ 过夜但不合并"]
    E --> F["⑥ 自动合并"]

上图是这六级。注意分级逻辑:每一级都在减少人类介入的频率,而前提是上一级的验证已经可靠。

几个我很喜欢的细节

关于第一步,她说得很保守:

一开始先不要急着装任何大礼包,包括这套工作流也先不用装。

你先用一个 AI 处理日常工作,仔细观察它最常在哪里出包。每次你开口纠正它,就把那句话记下来。

关于第二步,有一条硬规则:

如果这条规则能用系统检查或钩子自动拦截,就绝对不要只写在文件里。

关于第五步,他给了「可判断」的反例:

「把画面改好看一点」这叫无法判断; 「在手机屏幕上不用左右滑、每个按钮都点得到」这就判断得了。

关于止损:

也要设定好止损点,规定它如果卡住太久就停下来、写出原因。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    A["睡前交任务"] --> B{"完成条件<br/>非黑即白?"}
    B -->|"是"| C["AI 能自己判断过不过"]
    B -->|"否"| D["半夜跑偏 · 瞎忙"]
    C --> E["只准存档开 PR"]
    E --> F["合并留到早上"]

上图是第五步的关键约束。「不准自己合并」这个限制,把不可逆动作留在了人醒着的时候。

他最后那句话

前面四步是最花时间、但也最值得投资的基本功。

如果按部就班走完,你得到的不是某套别人的工作流,而是属于你自己的工作流——而这个东西才是最香、也最有成就感的。

附:与另一套方案的选择

作者还做了个对比,我觉得判断标准给得挺清楚。

对齐型方案自动化型方案
重心动工前的人机对齐 + 合并前的人类把关把人类介入压到最低
手段让 AI 不断向你提问,把模糊想法问清、写成规格书多模型比稿 + 交叉审问 + 实机验收
人类位置守在一头一尾只在事后抽查
成本token 用量相对低不惜狂烧 token
适合从 0 到 1 的新功能,想法还很模糊已有庞大历史代码,需要大量修 bug、重构

如果你正在做从 0 到 1 的新功能,脑中想法还很模糊——这时候你到底要什么,只有你自己知道,AI 跑再多测试也猜不到。

那可能更适合先让 AI 来拷问你,帮规格定下来。

而他给新手的建议是先从前者起步:

因为后者那种「敢让 AI 自动合并」的做法,前提是你已经建好了一整套自动验证跟防呆环境,又有足够的 token 预算。

还有一句,我觉得是全篇的道德提醒:

千万不要在信任地基还没打好时,就学别人一次开十几个 AI 平行跑。

那样做只会让你以极快的速度产出垃圾,还会白白烧掉一堆 token。

我的三点补充

以下是评注,不是原片内容;取舍由我负责。

第一,整套体系真正的产出不是 PR,是「可验证性」。 注意那三个验收 skill 的共同点:它们都在把「我觉得没问题」换成「这里有证据」——操作录像、爆炸半径数据、两个家族的模型都报警。而这一步一旦做成,人类就能抽身,因为判断从「读代码」变成了「看证据」。换句话说,自动化省下的不是劳动,是先决条件。

第二,「让错误物理上不可能」这个提法,和前面几讲那条「把约束从叮嘱挪到机制」完全同源。 她明确说了软规则没用——AI 聊几句就忘了,而且你也不知道它没照做。 而 Lint 规则、统一写法、CI 闸门这些,都是「不照做就跑不下去」的东西。这也是为什么她把这套环境改造放在比 prompt 更前面。

第三,那条「写 PR 的 AI 无权核准自己的 PR」,是整篇唯一一条被我認为不可妥协的规则。 因为它针对的不是模型能力,而是立场——写的人有动机让审查通过,而这个动机不因模型变强而消失。所以它和前面几讲那个「验收者与执行者上下文必须隔离」是同一条原则的两种表述:审查的有效性,取决于审查者有没有被前一环污染。


一句话总结:2500 张 PR 不是产能的胜利,是信任的胜利。 而信任不是感觉,是一层层铺上去的证据和环境——铺到你自己都不敢相信,才敢让它在半夜自己合并。

搜索全站

输入关键词,查找项目与实践记录。