AI 寫得更快後，
程式碼審查要怎麼跟上？

PART 1

AI 把產出速度拉高，也把審查隊列推到人面前

這集 How I AI 從一個很具體的摩擦開始：當更多人用 AI 寫程式，PR 不一定變得更難寫，卻更容易堆在等待審查的隊列裡。若每個變更都用同一種人工檢查強度處理，瓶頸只是從撰寫移到合併。

影片的提案不是取消人類責任，而是先讓代理人讀取變更、檢查條件、整理證據，再區分哪些低風險項目可以快速處理、哪些必須停下來給人看。

本頁依據 How I AI 的產品示範與訪談逐字稿整理。影片提到的 Intercom 成效、SOC 2／HIPAA 相容性與工具能力，屬講者轉述或示範脈絡；實際導入仍須由各組織依自身政策、權限與稽核要求驗證。

PART 2

先把「風險」拆成
能討論的零件

示範中的 PR agent 不以 diff 大小直接判斷危險，而是看改動觸及範圍、是否容易回復、資料與安全影響、營運影響、驗證缺口，以及變更表面。這個拆法的價值不在於某個分數神奇精準，而在於團隊可以公開調整準則。

這也避免把「AI 說沒問題」當成唯一結論。人能追問是哪個檔案、哪條規則、哪個測試，並在規則失準時回頭修正模型、提示詞或政策。

PART 3

自動核准不是把人移除，而是把停線畫清楚

影片裡的低風險文件更新即使分數很低，仍會因 merge conflict 停下；涉及伺服器 API 行為或大範圍刪除的變更，則留給人類。這種停線不是效率的敵人，而是讓快流程不吞掉例外的前提。

對需要合規的團隊，代理人留下的不是「取代審查者」的宣告，而是可查詢的決策紀錄：它看了什麼、為何分級、是否符合 policy，以及最後由誰真正核准。是否符合特定合規框架，仍須由安全與法遵團隊確認。

PART 4

真正會讓系統變好的，是把每次判斷變成可回看資料

講者最後補了一個容易被忽略的環節：對內部 agent 也做 eval。每次風險判斷都可以被工程師回看——它漏了什麼？過度保守了嗎？判定與實際後果一致嗎？

於是工作流不是「裝一個 bot 就完成」，而是一個迴圈：先降低重複審查的等待，再用真實 PR 的結果校正規則。當 AI 幫忙更快產出時，品質控制也要能一起學習。