停下写代码,你的代码审查能力也会退化

停止亲手写代码会削弱审查能力,AI时代审查者成质量瓶颈。
文章围绕 cekrem 博客中「不写代码就审不好代码」的观点展开,指出代码审查并非纯阅读,而依赖在长期编码中训练出的模拟执行能力和隐性「手感」,二者共享同一套判断力。当开发者长期只审不写,对深层陷阱的敏感度会下降。AI 生成代码普及后,编码环节被压缩、审查环节被放大,审查者能力直接决定交付质量上限,而其退化信号往往隐蔽——审查时间缩短、边界提问减少、对复杂改动放行变松。文章建议保留亲手写核心逻辑、修 bug、审查前独立预演、小规模实验编码等做法,以维持判断力的锐利。
一个反直觉的观察
在 AI 编程助手日益普及的当下,越来越多开发者把重心从「写代码」转向「审代码」。这听起来是效率升级的自然结果——让机器生成初稿,人类负责把关。但 cekrem 在其个人博客文章《If you stop writing code, you also get worse at reviewing it》中提出了一个值得警惕的观点:停止亲手写代码,也会削弱你审查代码的能力。
这篇文章在 Hacker News 上获得了 324 分、159 条评论,说明它触动了开发者社群中普遍存在的一种焦虑。本文不依赖具体的实验数据,而是从文章的核心论点出发,结合工程实践中的经验,探讨「写」与「审」之间的隐秘联系。

写与审共享同一套判断力
代码审查不是纯阅读行为
代码审查常被误解为一种「阅读+挑错」的活动。但真正有经验的审查者知道,高质量的审查依赖于一种模拟执行的能力:当看到一段循环,你的大脑会自动推演边界条件;当看到一次状态更新,你会本能地追问并发场景下会发生什么。
这种模拟执行的能力,恰恰是在长年累月的亲手编码中训练出来的。原作者的核心观点正在于此:审查时用到的判断力,和写代码时调动的判断力是同一套。你不写,这套肌肉就得不到锻炼。
「手感」是难以外包的隐性知识
写代码过程中积累的,不只是语法记忆,还有大量关于「哪些地方容易出错」的直觉。比如你知道某个异步接口的返回值在什么情况下是 undefined,知道某个 ORM 的惰性加载会在什么时机触发额外查询。这些知识很难通过阅读文档完整获得,更多来自踩坑和修复的过程。
当开发者长期只做审查,这些一手的「手感」会逐渐稀释。审查时你可能仍然能发现明显的风格问题或命名问题,但对那些只有在动手时才会暴露的深层陷阱,敏感度会下降。
「隐性知识」(tacit knowledge)由哲学家迈克尔·波兰尼在《个人知识》中提出,指那些难以用语言、公式或文档完整表达、只能通过亲身实践和师徒式示范传递的知识。他有一句著名的概括:我们知道的,多于我们所能言说的。编程中的「手感」正是典型例子——你很难用文字写清为什么这段循环在第三个元素上会出错,但亲手调试过的人会立刻警觉。这与「显性知识」(语法规则、API 文档)相对。审查能力退化之所以隐蔽,正是因为受损的是隐性知识:审查者依然能读懂代码、说出规范,却失去了那种在动手时才会被激活的、对具体陷阱的身体性记忆。
AI 时代的放大器效应
审查者的能力成了新的瓶颈
随着 AI 生成代码的普及,团队中「写」的环节被大幅压缩,而「审」的环节被成倍放大。这意味着审查者的能力上限,直接决定了交付代码的质量上限。
原文章在此处的观察颇有分量:如果审查者自身因为长期不写代码而判断力退化,那么 AI 生成的代码就更容易蒙混过关。表面上看流程还在运转,审查还在进行,但实际的质量闸门已经变松了。
「瓶颈」一说可以借助约束理论(Theory of Constraints)来理解:任何流程的吞吐量都由最慢的那个环节决定。传统开发中,编码速度常是瓶颈,审查相对富余;当 AI 把编码环节大幅提速后,流程的整体产能就转移到审查这一环节。此时增加更多生成量并不会提升交付质量,只会让更多未审代码排队。更关键的是,审查作为质量闸门具有非对称性——它漏掉一个严重缺陷的代价,远大于多花时间审查的成本。因此,审查者判断力的退化不只是个人能力问题,而是会直接压低整个团队质量上限的系统性风险。
审查退化的信号往往很隐蔽
审查能力下降不像编译报错那样显眼。它会表现为:对复杂改动的审查时间缩短、倾向于给「看起来合理」的代码放行、对边界条件的提问减少、对不熟悉的代码区域直接跳过。这些信号单独看都不算问题,但累积起来,就是整个团队的代码质量防线在悄悄后退。
这种「信号隐蔽」的现象可以用「温水煮青蛙」式的渐进退化来类比:能力下降没有阈值报警,而是通过一系列微观行为偏移体现。认知心理学中的「认知吝啬」倾向也提供了参照——当大脑对某类任务缺乏足够熟悉度时,会本能地选择最省力的启发式判断(比如「代码看起来合理就放行」),以降低认知负荷。审查者若长期不亲手编码,对改动复杂度的感知就会失准,于是更早触发这种省力模式。识别这些偏移,需要在团队层面建立可观测的指标,例如审查时长分布、评论中提出的边界条件问题数量、被放行后又暴露缺陷的改动比例。
如何保持「写」的能力
完全拒绝 AI 辅助并不现实,也不必要。更务实的方向是保留一定比例的亲手编码,尤其是那些对判断力要求高的环节。
具体来说,可以刻意让自己参与以下几类工作:
- 核心逻辑与边界处理:涉及状态机、并发、错误恢复的代码,尽量亲手写,因为这类代码的风险最依赖直觉判断。
- 缺陷修复:修 bug 是重建「哪里会出错」直觉的最高效方式,比读一百行正常代码更有价值。
- 代码审查前的预演:在审查一段复杂改动前,先自己独立写下实现思路,再与提交者的方案对比,这种对比本身就是在锻炼判断力。
- 小规模实验性编码:用个人项目或原型保持手感,不必追求产出,重在维持对语言和工具链的熟悉度。
原作者在文章中强调了「动手」这一行为的不可替代性。这个建议在 AI 辅助编程成为常态之后,反而更有现实意义,而不是更少。
结语:把审查当成写代码的延续
「不写代码就审不好代码」这个说法看似违反直觉,但它指向一个朴素的事实:审查能力不是独立存在的技能,它生长在编码实践之上。AI 可以分担编码的产出压力,却无法替代开发者通过亲手编码积累起来的判断力。
对于已经把大部分编码工作交给 AI 的开发者来说,或许需要重新分配一点时间回到键盘前。不是为了产出更多的代码,而是为了让自己的审查眼光保持在锐利的状态。
相关推荐

单色生成无障碍调色板:原理与实操指南
从单一品牌色出发生成无障碍调色板:在感知均匀色彩空间中推导色阶,用对比度校验划分文本与背景用途,并用明度差和冗余编码覆盖色觉差异,附常见误区与自动化思路。

当视觉记录不再可信:AI时代的信任重建
当AI生成的图像和视频越来越逼真,我们是否还能相信自己的眼睛?本文从Hacker News一个引发共鸣的标题出发,探讨视觉记录信任崩塌的原因、代价,以及通过数字水印、检测工具和媒介素养重建信任的可能路径。

前OpenAI研究员Christiano:AI实验室应先解决安全再谈前沿突破
AI安全研究员Paul Christiano在访谈中提出,美国前沿AI实验室在现有安全姿态下应暂停预训练与强化学习等易扩散的算法改进,并以「只领先中国12小时」形容算法秘密的脆弱性。