如果AI编程的真正关键是老套而无聊的做法呢？
文章认为，AI辅助软件开发的关键并非更好的规格说明或工具，而是古老的小批量与快速反馈循环实践。数据显示，更快的代码生成导致设计、测试和审查环节出现瓶颈，反而使交付变慢、发布更不稳定。真正的杠杆在于缩小批量、缩短反馈周期。
文章情报
要点
- AI代码生成加速了编写，但产生了设计、测试、审查等环节的瓶颈。
- 来自DORA、CircleCI和Faros的数据表明，阶段门控流程导致交付更慢、更不稳定。
- 解决之道是减小批量大小、缩短反馈循环。
- 作者将这种老旧做法戏称为“反馈最大化”。
为什么重要
这条新闻值得关注，因为AI代码生成加速了编写，但产生了设计、测试、审查等环节的瓶颈。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
在AI辅助软件开发的讨论中，众说纷纭：有人认为关键在于更好的规格说明，有人强调更优的计划，架构师推崇更好的架构，产品经理看重更佳的产品管理，测试自动化人员坚称更好的测试套件，静态分析工具的销售者则鼓吹更自动化的代码审查。然而，本文作者指出，这些观点都忽略了真正的核心——古老而“无聊”的小批量工作与快速反馈循环。
数据揭示了真相。DevOps Research & Assessment（DORA）组织对数千个团队的数据分析显示，AI生成的代码虽更快地创造出来，却在等待用户反馈、设计决策、测试、审查和合并到发布分支的队列中滞留。CircleCI对数百万CI工作流的分析得出了相同结论：开发者分支上代码生成加快，但后续环节的等待导致整体交付变慢、发布稳定性下降。Faros公司的数据也印证了这一趋势。
问题根源始终未变：阶段门控式的开发流程试图以大批量变更处理设计、测试、审查、重构、合并和发布。无论是更好的规格、架构、自动化，还是产品管理、类型检查、领域驱动设计或团队拓扑，都无法从根本上解决这个问题——它们固然有价值，但影响力远不及批量大小和反馈循环这两个杠杆。
作者坦言，自己恰好专攻小批量与快速反馈的开发实践，而数据再次将他引向这个结论。他甚至戏谑地提议，若觉得“小步快跑”太过老套，不妨称之为“反馈最大化”（feedbackmaxxing）。总之，AI代码生成加速了编写速度，但出人意料的是，真正的瓶颈恰恰出现在这些传统环节，而解决之道却是一些被忽视的古老智慧。