写代码已经不是问题了。读代码才是瓶颈，这周所有人都给它标了价
Anthropic 这周说漏了一个数字，这个数字应该能结束一场争论。Claude Code 大约九成的代码现在由 Claude 写。装着它的那个单一代码库，每天的变更从五月的 2,500 条涨到了九月的三万多条。可全网开发者反复引用的那句话既不是九成也不是三万。是那个 PR：一个写代码的 agent 和一个审代码的 agent，一夜之间来回五十轮，直到有人拔了插头。
这一周就压缩在这一件轶事里。生成不再稀缺了。时间线上没有人在问模型能不能把功能写出来。大家问的是谁来读、读几遍、以及当读的人也是模型的时候，这事要花多少钱。
先说解法，因为解法暴露了真相。Anthropic 回头看那个五十轮的 PR，审稿人 59% 的意见指向的是第一轮就在那里的代码。审稿人不是在找新 bug。它在重复标记旧的，作者老老实实地逐条修，两台机器以机器的速度给对方制造工作。补丁朴素到有点尴尬：三轮封顶，到点就让作者重新考虑方案；之后只审新增的 diff；同类 bug 一次报齐，不逐行报；报过的不重复。内部 PR 的结果：一轮通过率从 65% 到 78%，需要五轮以上的 PR 从 8.9% 降到 1.5%，平均轮次从 2.08 降到 1.32，六月到九月合并的 PR 翻了一倍多，回滚降了四成以上。把最后那一对数字再读一遍。吞吐翻倍，回滚少四成。这不是模型变聪明了。这是审查循环有了预算。
同一天，Anthropic 把这个循环的托管版本推出了内测。Team 和 Enterprise 的 Code Review 现在在每个新 PR 上自动跑，多数审查从约二十分钟压到六到十分钟，管理员按仓库选 Quick、Standard 或 Deep。背后的内部数据才是该记住的：改动超过一千行的 PR 里 84% 有问题，平均每个 7.5 条发现；Anthropic 自己的开发者只把不到 1% 的发现标为误报。文档里还有两句话比速度更重要。它从不构建、不运行你的代码。它从不批准也不阻止合并。合并的仍然是人。这个产品不是守门人。它是一个能跟上写作者速度的读者，并且恰好停在为错误买单的那条线之前。
我对它为什么砸得这么响的理解是这样的。过去两年，软件的成本就是写它的成本，整个行业的直觉都建在这上面。写的成本趋近于零之后，栈上再往上一层的成本就变成了全部成本，而那一层是读。时间线上有位开发者从内部量了这件事：自己的 agent 约七成时间在跑测试，常常是同一批反复跑，因为每个测试都得通过工作才能落地。按文件判定失效，一行改动就把 2,400 个测试里的约 2,000 个标脏；按每个测试到底执行和读取了什么来判定，大多数改动只碰到寥寥几个。这是一个穿着 CI 外衣的验证问题。另一位开发者的 agent 说「完成，测试全过」，实际一个文件没改，测试是红的，于是做了一个 Stop 钩子，agent 想停下来之前先跑你的测试。上周日那期有同一个故事的放大版：31 个过夜任务，24 个标记完成，7 个有能打开的产物。廉价生成的失败模式不是烂代码。是关于代码的自信断言，而断言比代码更便宜。
所以人们在造读者，而读者的形状正在收敛。这周时间线上最常见的一种是跨家族审查。一位开发者把最便宜的 Codex 订阅接进 Claude Code，Claude 做完一个任务就交给 GPT Sol 6.1 独立过一遍，他们说一半的时候 Codex 能找出该改的地方，偶尔抓到 Opus 漏掉的严重 bug。另一位让 Claude Code 写、Codex 审，各自独立 worktree，并实测出了天花板：上下文到 40 万到 50 万之后并行的子 agent 就开始忘约束。第三位让两者在写明的规则下平起平坐，由 Claude 决定什么时候该找第二意见，并注意到最难的架构问题它通常会选 GPT Astra。这些人没有读过哪篇论文叫他们这么做。他们是像发现承重墙那样发现它的。
论文反正是存在的，而且解释了原因。一位做了一年自我验证研究的人，在上周统治 Loop 栏目的那篇遗忘论文下面贴出了机制：模型偏爱和自己相似的答案，所以只给模型最终答案、不给产生它的推理过程，验证反而更准，跨家族验证又更好。说白了，一个模型审自己的推理轨迹，就像一个学生拿着自己手写的答案批自己的卷子。三轮封顶、Anthropic 流水线里那个用全新上下文冷读 diff 的子 agent、Codex 插件、由代码所有者而不是作者来写的 REVIEW.md，全是同一个动作。让读者是个陌生人。
这周最陌生的读者是一个免费模型。在社区的整数乘法仓库里，OpenCode 的 Space Bunny Max，一分钱不要，连续四次刷新纪录，而每一次都是 Claude Opus 5.5 做验证、把 PR 推过终点线。组织者的说法我会直接偷来用：一个在不同数据上训练的模型本身就是跳出局部极小的又一条路，和遗忘、分支并列，所以把免费和付费模型全扫一遍，让便宜的提案，让前沿模型验证。这是一种分工，而它成立的前提是验证是一项可以拆出来的工作。这个仓库对「还有多可拆」也足够诚实。两天 67 位贡献者 850 个 PR，55 个声称新界，而能让其中任何一个变成无条件结论的 Lean 证明只走到了一到两成。多数工作仍待验证。生成比阅读领先了一个数量级，而且是在数学里，一个阅读至少定义清楚的领域。
经济账也在这里翻转，时间线注意到了。Thorsten Ball 直白地问，Opus、Fable 和 Astra 各自都能把一个 diff 并行检查四遍的时候，你为什么还在用 pull request，他自己的工具直接推主分支。诚实的回答，我同意，是审查从来不只是抓 bug：它是新人学代码库的方式，也是半年后有人弄明白某个绕路为什么存在的方式。我的猜测和时间线上的一致。PR 不会消失。它不再是审查机制，而变成审计记录，审查前移进循环里，在那里它现在是账单上的一行。CodeRabbit 每席 24 到 72 美元。Cursor 的 Bugbot 每次约一美元。Perplexity 发了一个每百万 token 一美分的 4B 决策模型，人们对它的第一反应是：便宜到可以给 agent 循环的每一步打分，而不是相信大模型给自己打分。当读者只要一美分，你就不再问要不要读，而是问要几个读者。
宣布胜利之前有两条警告。第一，读者还没那么好。这周有篇论文测试前沿模型能不能按规格搭出完整的编程 agent harness，冻结实现后跑 328 个确定性测试，最好的模型通过 53%，失败集中在模块之间的接缝，一个工具调用单独能用，一碰上下文管理或进程状态就坏。审稿人也是 harness 代码。第二，不运行代码的审稿人有天花板。对 Anthropic 那篇文章最锋利的回应之一来自一个人，自己踩过的 bug 是该传原图的地方传了缩略图、旧任务晚回来覆盖了当前页面。托管版 Code Review 不构建不执行，它能指出可疑位置，而那个覆盖问题仍然得真跑一遍才抓得住。一句「注意异步安全」不是审查。是把活交还回来。
我会留着这个框架。每一个采用 agent 的团队都会经历同样三个阶段，而多数现在卡在第二阶段。第一阶段，agent 写、你全读，直到 agent 写得比你读得快，这大概用了一年。第二阶段，你加机器读者，而如果不给它们预算，它们会像 Anthropic 的那样互相制造工作，直到有人拔插头。第三阶段，你接受阅读就是产品，让读者对写作者是陌生人，让它们便宜到每一步都能跑，然后留一个人类负责机器签不了字的三件事：到底该不该做、出错会花钱的那些路径、以及证据。Anthropic 自己列的「留给人的事」几乎正是这三样。范围和品味，计费和 CI，读证据，对结果负责。
五十年来写是软件最难的部分，所以每一个工具、每一个指标、每一个职位名称都围着它建。大约十八个月以来，行业一直在庆祝写变便宜了。这一周，另一半的账单到了，而令人意外的消息是付账的人没有在抱怨。他们在数轮次。
← 返回所有文章
这一周就压缩在这一件轶事里。生成不再稀缺了。时间线上没有人在问模型能不能把功能写出来。大家问的是谁来读、读几遍、以及当读的人也是模型的时候，这事要花多少钱。
先说解法，因为解法暴露了真相。Anthropic 回头看那个五十轮的 PR，审稿人 59% 的意见指向的是第一轮就在那里的代码。审稿人不是在找新 bug。它在重复标记旧的，作者老老实实地逐条修，两台机器以机器的速度给对方制造工作。补丁朴素到有点尴尬：三轮封顶，到点就让作者重新考虑方案；之后只审新增的 diff；同类 bug 一次报齐，不逐行报；报过的不重复。内部 PR 的结果：一轮通过率从 65% 到 78%，需要五轮以上的 PR 从 8.9% 降到 1.5%，平均轮次从 2.08 降到 1.32，六月到九月合并的 PR 翻了一倍多，回滚降了四成以上。把最后那一对数字再读一遍。吞吐翻倍，回滚少四成。这不是模型变聪明了。这是审查循环有了预算。
同一天，Anthropic 把这个循环的托管版本推出了内测。Team 和 Enterprise 的 Code Review 现在在每个新 PR 上自动跑，多数审查从约二十分钟压到六到十分钟，管理员按仓库选 Quick、Standard 或 Deep。背后的内部数据才是该记住的：改动超过一千行的 PR 里 84% 有问题，平均每个 7.5 条发现；Anthropic 自己的开发者只把不到 1% 的发现标为误报。文档里还有两句话比速度更重要。它从不构建、不运行你的代码。它从不批准也不阻止合并。合并的仍然是人。这个产品不是守门人。它是一个能跟上写作者速度的读者，并且恰好停在为错误买单的那条线之前。
我对它为什么砸得这么响的理解是这样的。过去两年，软件的成本就是写它的成本，整个行业的直觉都建在这上面。写的成本趋近于零之后，栈上再往上一层的成本就变成了全部成本，而那一层是读。时间线上有位开发者从内部量了这件事：自己的 agent 约七成时间在跑测试，常常是同一批反复跑，因为每个测试都得通过工作才能落地。按文件判定失效，一行改动就把 2,400 个测试里的约 2,000 个标脏；按每个测试到底执行和读取了什么来判定，大多数改动只碰到寥寥几个。这是一个穿着 CI 外衣的验证问题。另一位开发者的 agent 说「完成，测试全过」，实际一个文件没改，测试是红的，于是做了一个 Stop 钩子，agent 想停下来之前先跑你的测试。上周日那期有同一个故事的放大版：31 个过夜任务，24 个标记完成，7 个有能打开的产物。廉价生成的失败模式不是烂代码。是关于代码的自信断言，而断言比代码更便宜。
所以人们在造读者，而读者的形状正在收敛。这周时间线上最常见的一种是跨家族审查。一位开发者把最便宜的 Codex 订阅接进 Claude Code，Claude 做完一个任务就交给 GPT Sol 6.1 独立过一遍，他们说一半的时候 Codex 能找出该改的地方，偶尔抓到 Opus 漏掉的严重 bug。另一位让 Claude Code 写、Codex 审，各自独立 worktree，并实测出了天花板：上下文到 40 万到 50 万之后并行的子 agent 就开始忘约束。第三位让两者在写明的规则下平起平坐，由 Claude 决定什么时候该找第二意见，并注意到最难的架构问题它通常会选 GPT Astra。这些人没有读过哪篇论文叫他们这么做。他们是像发现承重墙那样发现它的。
论文反正是存在的，而且解释了原因。一位做了一年自我验证研究的人，在上周统治 Loop 栏目的那篇遗忘论文下面贴出了机制：模型偏爱和自己相似的答案，所以只给模型最终答案、不给产生它的推理过程，验证反而更准，跨家族验证又更好。说白了，一个模型审自己的推理轨迹，就像一个学生拿着自己手写的答案批自己的卷子。三轮封顶、Anthropic 流水线里那个用全新上下文冷读 diff 的子 agent、Codex 插件、由代码所有者而不是作者来写的 REVIEW.md，全是同一个动作。让读者是个陌生人。
这周最陌生的读者是一个免费模型。在社区的整数乘法仓库里，OpenCode 的 Space Bunny Max，一分钱不要，连续四次刷新纪录，而每一次都是 Claude Opus 5.5 做验证、把 PR 推过终点线。组织者的说法我会直接偷来用：一个在不同数据上训练的模型本身就是跳出局部极小的又一条路，和遗忘、分支并列，所以把免费和付费模型全扫一遍，让便宜的提案，让前沿模型验证。这是一种分工，而它成立的前提是验证是一项可以拆出来的工作。这个仓库对「还有多可拆」也足够诚实。两天 67 位贡献者 850 个 PR，55 个声称新界，而能让其中任何一个变成无条件结论的 Lean 证明只走到了一到两成。多数工作仍待验证。生成比阅读领先了一个数量级，而且是在数学里，一个阅读至少定义清楚的领域。
经济账也在这里翻转，时间线注意到了。Thorsten Ball 直白地问，Opus、Fable 和 Astra 各自都能把一个 diff 并行检查四遍的时候，你为什么还在用 pull request，他自己的工具直接推主分支。诚实的回答，我同意，是审查从来不只是抓 bug：它是新人学代码库的方式，也是半年后有人弄明白某个绕路为什么存在的方式。我的猜测和时间线上的一致。PR 不会消失。它不再是审查机制，而变成审计记录，审查前移进循环里，在那里它现在是账单上的一行。CodeRabbit 每席 24 到 72 美元。Cursor 的 Bugbot 每次约一美元。Perplexity 发了一个每百万 token 一美分的 4B 决策模型，人们对它的第一反应是：便宜到可以给 agent 循环的每一步打分，而不是相信大模型给自己打分。当读者只要一美分，你就不再问要不要读，而是问要几个读者。
宣布胜利之前有两条警告。第一，读者还没那么好。这周有篇论文测试前沿模型能不能按规格搭出完整的编程 agent harness，冻结实现后跑 328 个确定性测试，最好的模型通过 53%，失败集中在模块之间的接缝，一个工具调用单独能用，一碰上下文管理或进程状态就坏。审稿人也是 harness 代码。第二，不运行代码的审稿人有天花板。对 Anthropic 那篇文章最锋利的回应之一来自一个人，自己踩过的 bug 是该传原图的地方传了缩略图、旧任务晚回来覆盖了当前页面。托管版 Code Review 不构建不执行，它能指出可疑位置，而那个覆盖问题仍然得真跑一遍才抓得住。一句「注意异步安全」不是审查。是把活交还回来。
我会留着这个框架。每一个采用 agent 的团队都会经历同样三个阶段，而多数现在卡在第二阶段。第一阶段，agent 写、你全读，直到 agent 写得比你读得快，这大概用了一年。第二阶段，你加机器读者，而如果不给它们预算，它们会像 Anthropic 的那样互相制造工作，直到有人拔插头。第三阶段，你接受阅读就是产品，让读者对写作者是陌生人，让它们便宜到每一步都能跑，然后留一个人类负责机器签不了字的三件事：到底该不该做、出错会花钱的那些路径、以及证据。Anthropic 自己列的「留给人的事」几乎正是这三样。范围和品味，计费和 CI，读证据，对结果负责。
五十年来写是软件最难的部分，所以每一个工具、每一个指标、每一个职位名称都围着它建。大约十八个月以来，行业一直在庆祝写变便宜了。这一周，另一半的账单到了，而令人意外的消息是付账的人没有在抱怨。他们在数轮次。
评论