一个月 1.1 万个 PR、撤回约 0.5%:Grok Bot 团队怎样让 Agent 的代码值得信任

原文链接: https://www.youtube.com/watch?v=O_zcc6Xl12g 来源: www.youtube.com 发现于: 小互 · AI 解读站 · 2026/11/15 说明: 本文由 AIHot汪 自动聚合(原文即中文,未翻译)。正文取自小互 AI 解读


全文 Markdown · 会员

作者:Lauren Tan(poteto)· AI Engineer CODE 202611-15 · 约 15 分钟🎧 听播客版0:00 / --:--

视频/音频 0:00 / --:--

在 AI Engineer CODE 2026 大会上,SpaceXAI 工程师 Lauren Tan(网名 poteto)亮出了 Grok Bot 团队的一组数字:上个月约 1.1 万个 PR 上线到生产环境,客户端大约每天发一个稳定版,PR 被撤回的比例却不升反降,稳定在约 0.5%,差不多每 200 个才退回 1 个。她本人上个月就上线了约 3,000 个,很多是在她睡觉时合进去的。

PR(pull request)是一次提交给代码库的改动,审过、测过才合进去,像在共享文档里提交一组修订、等人批准;撤回,就是合进去之后发现有问题,又整个退掉。一个月 1.1 万个,平均每个工作日约 500 个,没有人能逐行看完。那这些代码凭什么让人放心?

演讲题目先亮了态度:《All Code Is Slop (Except Mine)》,「所有代码都是垃圾,除了我的」(slop 是这两年骂 AI 批量糊出来的劣质内容的词)。她的回答分两半。第一半:Agent 会照抄代码库里的一切,包括你留下的烂补丁,所以每纠正它一次,就写成一条自动检查,别往 AGENTS.md(写给 Agent 看的项目说明书)里加一句。第二半:让 Agent 自己把应用跑起来,交回录像、截图和状态图,人审这些证据,不再逐行读代码。

Grok Bot 是 SpaceXAI 和 Cursor 一起做的「AI 同事」:每个 Bot 有一台自己的云端电脑,能在各种应用之间替你干活。她举的反面例子,多半出自她以前参与的 Cursor 编辑器(一款用 Electron 做的 AI 编辑器)的代码库。 站内相关 · 先认识 Grok Bot xAI 发布 Grok Bot:一批有自己电脑的 AI 同事,用你的账号替你干活 它有一台常开的云电脑,能像人一样点网页、开应用;这篇讲清了它是什么、怎么管权限。

站内解读过她的两场分享,讲功能地图和 600 多个重构 PR。这一场最值得带走的是一个顺序:先改代码库,再上自动检查,再做验证,文字规则排在后面,人工审查放到最后。顺序反过来,把一个产出垃圾的循环自动化,只会更快地产出更多垃圾。

视频/音频

完整演讲,中英双语字幕,17 分 31 秒。原视频:在 YouTube 打开。

她一个人一个月 3,000 个 PR,走了六个月

她自己的 PR 数是逐月爬上来的:3 月 68 个,7 月过千,10 月 3,127 个。她说走到这一步花了六个月,但后来的人会快得多。

幻灯片:我上个月往生产环境上线了 3,000 个 PR,3 月到 10 月逐月柱状图

**「我上个月往生产环境上线了 3,000 个 PR」:**这是她个人每月上线的 PR 数,3 月 68、4 月 254、5 月 352、6 月 685、7 月 1,113、8 月 2,401、9 月 2,732、10 月 3,127,左上角的 10,732 是她一个人八个月的总数;整个团队是一个月约 1.1 万个。

以前没人在乎一个工程师写了多少代码,只有极少数例外会被叫作「coding machine」(写代码的机器),比如传说一个周末重写了整个 Google 地图的 Bret Taylor。她的说法是,有了 Agent,人人都能当 coding machine;工程师真正要琢磨的变成:产量翻了几十倍,代码质量怎么守住,甚至变得更好。

她把答案归结为「信任」。这里的信任,指你敢不敢让 Agent 的改动不经你逐行细看就合进代码库。她说的不是盲目相信,是花力气改造 Agent 干活的环境,让它默认就做对。 站内相关 · 她之前怎么铺的路 一个 24/7 代理团队如何成形:SpaceXAI 工程师 Lauren Tan 把工程判断写进系统 一夜自动合并 20 个 PR 的前面,是 600 多个重构 PR,以及 Dune 架构和逐级放权。

信任倒金字塔:越往下,拦一次错越贵

她用一个倒过来的金字塔,安排力气该花在 Agent 环境的哪一层。从上到下五层:

  • **代码库:**好的 API 设计、架构、重构,让错误的写法根本写不出来。
  • **静态检查:**lint 规则(自动检查代码写法的规则)、类型系统、编译器、各种测试、CI(每次提交后自动跑的那套检查)。
  • **验证:**让程序真的跑起来看效果(运行时验证),或者用数学方法检查设计(形式化验证)。
  • **文字:**规则、技能、AGENTS.md,留给需要判断力、写不成代码的事。
  • **人工审查:**最后由人来看。

幻灯片:怎样更信任我的 Agent,poteto 金字塔,五层倒金字塔与成本箭头

**「我怎样才能更信任我的 Agent?」:**她管这叫「poteto 金字塔」。从上到下依次是代码库(好的 API 设计、架构、重构)、静态分析(lint、类型、编译器、测试、CI)、验证(形式化、运行时)、文字(规则、技能、AGENTS.md)、人工审查。左边的箭头写着「成本」,往下越来越大。

前两层是「确定的」:写好之后每次提交都自动执行,结果不看 Agent 那天的状态。验证层用来抓 bug、检查系统里必须一直成立的规则,也顺带检查 Agent 有没有理解你的意图。文字放在后面,人工审查在最底下。

箭头上的「成本」演讲里没展开,可以理解成每拦住一次错要付的代价:一条 lint 规则写一次,以后每次提交都免费执行;一句写给 Agent 的话,要它每次都读到、读懂、照做;人工审查每一次都要占用人的时间。金字塔上面越宽,越多问题在便宜的地方就被拦下了。

纠正一次,就写成一条检查

由此她给出了全场最具体的一条建议:每次纠正 Agent,先想想能不能把它变成一条确定的检查,别再往规则文件或 AGENTS.md 里加一行。写进代码,结果每次都一样,你也更敢信它。

文字规则还有一个更隐蔽的毛病。她观察到,Agent 会对你随口的一次小纠正反应过度,把它当成以后永远不能破的硬规则。一句话写下去,它可能读漏,也可能在不该管的地方也照搬。

同一次纠正,放在两个地方

示意图:之后 8 个 Agent 各做一项相关改动,看这条纠正能不能管住它们。次数是举例。

要纠正的错:界面代码直接引用了主进程的代码(主进程是在后台管窗口、文件的那部分;后文 Dune 一节的真实例子)

写成 AGENTS.md 里的一句话 靠 Agent 读到、读对

照做照做又犯照做 过头照做又犯照做

错写法进了代码库 2 处,另有 1 处误伤:都得等人审代码时发现。

写成一条 lint 规则 每次提交自动执行

照做照做拦下照做 照做照做拦下照做

错写法进了代码库 0 处:这一项,人审代码时不用再看。

又犯:没读到这句话,错写法合了进去 过头:把小纠正当铁律,不该管的地方也照搬 拦下:提交时检查失败,按报错改好才合进去

一条 lint 规则管的范围,就是代码里写明的那几种写法,不会被「理解过头」;违反了,提交当场失败,报错信息还能直接告诉 Agent 该去改哪。

代码库是 Agent 最大的输入,烂补丁会被照抄

Agent 按输入产出,而代码库是它最大的一份输入。动手之前,它会先翻代码库,看这个项目「一般怎么写」。于是代码库里的临时绕行、反模式、早该删的旧写法、技术债,在下一个 Agent 眼里都像是项目的既定惯例,会被照抄过去。

她把代码库比作花园。2024 年她上班,要审的是同事写的 3 个 PR;现在这个数更接近 300。每个工程师背后是几百甚至上千个 Agent,代码像连续的水流一样涌进来,像活物一样自己生长。你立下的约束和护栏,是新代码围着它长的混凝土地基。杂草也一样:一处没拔,没等你发现就满园都是。

幻灯片:每多一份拷贝,下一份拷贝就更可能出现,一株杂草的根在地下蔓延成一片

**「每多一份拷贝,下一份拷贝就更可能出现」:**左下角标着「一处临时绕行」,三个箭头都写着「复制」,地下的根连成一片,右边标着「惯例」。

所以在她看来,工程师的活越来越像园丁:把代码库收拾得尽量干净,让 Agent 每次照抄到的都是好东西。

一个定时器补丁,38 天长成 183 个

她举了一个 Cursor 编辑器代码库里的真实例子。这款编辑器是在 VS Code 的基础上改出来的,界面又大量用了 React,两种写法是拧着的:VS Code 习惯一步步下命令改界面(先把这个删掉,再把那个画上),React 习惯描述界面应该长什么样,由框架去改。两边对不上的地方,Agent 最爱用的速效药是定时器:setTimeout、requestAnimationFrame、requestIdleCallback,意思都是「先别动,过一会儿再做」,把冲突糊过去。

幻灯片:速效药有害,9 月 9 日一个定时器修闪烁,10 月 3 日被复制进共享模块,10 月 17 日变成 183 个定时器

**「速效药有害」:**9 月 9 日,一个 Agent 为了修一处界面闪烁写下 setTimeout(() => release(id), 0),上面附一句注释「过一会儿再释放,以防它又回来」;它不改根因的理由是「那会是一个更大的改动」。10 月 3 日,这个写法被复制进一个共享模块;10 月 17 日,代码里已经有 183 个定时器。

最糟的是,Agent 还写了很多注释,解释这个速效药为什么合理。下一个 Agent 读到这些注释,就更确定这是项目认可的做法。很快定时器到处都是,应用的性能明显变差。

定时器多了为什么会卡?JavaScript 里大量定时器被飞快地创建又销毁,会留下成堆的内存垃圾,触发大规模的垃圾回收(程序停下手里的事,清理不再用的内存)。清理的那段时间里,界面画不出新的一帧,用户看到的就是卡顿、掉帧。

定时器越多,垃圾回收越频繁,界面就会卡一下

示意图:每一格是一帧,每秒 60 帧时一帧约 16.7 毫秒;下面的灰柱是攒下的内存垃圾。

定时器很少 垃圾攒得慢,帧帧按时画出

大量定时器反复创建、销毁 垃圾很快攒满,只好停下来清

按时画出的一帧 在清理垃圾,这一帧没画出来(界面卡住) 攒下的内存垃圾(红色:攒满了,正在回收)

她的总结是:当初那个架构选择,把客户端的性能和 Agent 的表现一起拖垮了。

注释是负债:Grok Bot 禁掉了 99% 的注释

到了 Grok Bot,他们吸取教训,定下规矩:禁掉 99% 的注释。她给了三个理由:注释很容易过时;人其实懒得读那一堆注释;注释还给了 Agent 一个逃生口,写一段理由,就能心安理得地不去做那件难但对的事。

幻灯片:注释是负债,7 月 31 日 65,824 条,今天 1,227 条

**「注释是负债」:**代码库里的注释,7 月 31 日有 65,824 条,演讲时只剩 1,227 条,砍掉约 98%。「禁掉 99%」是她说的规矩,这里是实际剩下的条数。图下注明她的插件 pstack 里有对应的 /no-comments 技能。

更根本的问题是,注释没法强制执行。「我留句话,告诉下一个 Agent 别这么做」,听上去是好意,可没人能保证它被照做,也就谈不上信任。所以在 Grok Bot 和 Dune 里,他们改用 lint 规则,并且把报错信息写得很有用:直接告诉 Agent 去修根本问题,别再绕着打补丁。

Dune:让错误的写法根本写不出来

Dune 是他们给 Grok Bot 写的客户端框架,可以把它想成桌面应用版的 Next.js(一个流行的网页开发框架)。她说它技术上并不新奇,值钱的是里面的约束和 lint 规则,装着他们做桌面应用踩过的坑。

需要分寸才能用好的东西,干脆禁掉

其中一条教训:需要拿捏分寸才能用好的东西,最后多半会变成 slop。典型是 React 的 useEffect:官方文档说它用来让界面组件和外部系统保持同步,不和外部系统打交道多半用不着它;现实里它常被滥用,有人开玩笑说用好它得有个博士学位,Agent 更用不好。他们干脆在产品代码里禁用它,只许 Dune 自己的少数接口内部使用,这类问题从此整类消失。

目录本身就是给 Agent 的说明

另一个反模式同样出自 Cursor 编辑器的代码库。Electron 应用(用网页技术做的桌面软件,Cursor 编辑器和 Grok Bot 都是)有两种进程:主进程在后台管窗口、文件、通知、更新;渲染进程负责画界面、响应打字和点击。好比后厨和前厅,前厅服务员跑去后厨炖汤,客人就没人招呼了。Agent 常把主进程的代码直接引进渲染进程,耗时的活挤到画界面的地方跑,界面就卡。

在 Grok Bot 和所有 Dune 应用里,顶层就两个目录,直接叫 electron-renderer 和 electron-main,两边互相引用会被依赖分析工具和 lint 规则拦下。规则不难写,审代码时又少一件要操心的事。

幻灯片:目录结构本身就是一种上下文,Dune 的 electron-renderer 和 electron-main 目录,以及 tibo.dog 的文件名

**「目录结构本身就是一种上下文」:**上半是 Dune。左边 electron-renderer/ 放界面这边的 features(功能)、client(客户端)、primitives(基础组件);右边 electron-main/ 放 startup(启动)、notifications(通知)、update(更新)。两边之间打了叉,写着「连类型都不许互相引用」,只能共用中间 shared/ 里的共享类型。下半是她的业余项目 tibo.dog:文件名 src/sim/tick.hot.ts 本身就在告诉 Agent,这段代码「每一帧都会跑」「不许分配新内存」。

总的原则只有一条:每纠正 Agent 一次,就把它变成一条确定的检查,或者通过更好的 API、更好的架构,让这一整类问题从代码里消失。这样做得够多,审代码时要盯的东西就越来越少;到某一天你会发现,已经没什么可审的了,大部分 PR 可以让 Agent 自己合进去。

审代码,变成看 Agent 交来的证据

要审的代码少了,审查本身也变了样。她说团队的代码审查已经缩成了看「验证产物」:录像、截图、图表、形式化验证的结果。验证也是让 Agent 更能自己做主、让人更敢信它的关键一层。

让 Agent 自己把应用跑起来

最基本的是运行时验证:给 Agent 一个自己运行代码的办法,让它用人类开发者也在用的调试工具,比如 Chrome DevTools Protocol(Chrome 开发者工具背后那套遥控接口,能让程序替人点按钮、量性能)。

他们的验证技能里有一张「功能地图」,像网站地图一样,从用户的视角列出应用里所有功能在哪、怎么到达。你说「左侧栏那个东西」,Agent 不用猜,双方有了共同的叫法。技能里还带着他们专门写的命令行工具,Agent 每次都复用同一套工具和驱动程序,省 token,工具本身也能测试。 站内相关 · 功能地图和技能评测 SpaceXAI 团队工程师教你如何让 AI Agent 成为更好的工程师 她在另一场分享里细讲了功能地图怎么写、验证技能怎么用实际任务评测。

一段录像,只走过一条路

录像只能证明 Agent 走过的那一条路没问题。最近他们开始试形式化验证,用数学的办法把所有的路都查一遍:

  • **TLA+:**把一段流程写成状态模型,让机器把各种事件的先后顺序都试一遍,检查定下的规则是否始终成立。他们用它检查主要的用户流程,比如通知在多台设备、多个平台之间怎么走。
  • **Lean:**给一段算法写证明,每一步推理都由机器核对。他们自己写了一个虚拟滚动库(几千条的聊天记录,屏幕上只画看得见的十几条,滚到哪画到哪),用 Lean 检查它不会出现闪烁、抖动。

录像走一条路,模型检查把每种先后顺序都走一遍

示意图:例子是我们编的,演讲只说他们用 TLA+ 检查跨设备的通知流程。

要一直成立的规则:一条消息在任何一台设备上读过,同步完成后,其他设备都不该再显示它未读。

1手机收到消息2电脑收到消息3在手机上读掉4「已读」同步到电脑

1*→2→3→4电脑:已读 ✓平时手动测、录一段视频,走的多半就是这条最顺的路。 2→1→3→4电脑:已读 ✓ 1→3→2→4电脑:已读 ✓ 1→3→4→***2**电脑:一直显示未读 ✗「已读」先到了电脑,那时电脑上还没有这条消息;消息后到,被当成了新的未读。

一段录像证明了第一条路没问题 模型检查四条都走,找出第四条违反规则

幻灯片:形式化验证,TLA+ 给状态机建模,Lean 给代码写证明

**「形式化验证」:**左边两个气泡,TLA+ 是「给状态机建模,检查它的规则都成立」,Lean 是「给代码写证明,核对每一步推理」。右边两张卡:TLA+ 模型用来检查所有状态都被正确处理;Lean 证明用来检查实现里的 bug。图下注明 pstack 里有教 Agent 搭形式化验证的技能。

她说这套方法还在试验,看着很有希望,已经找出了不少 bug,但不是万能药,只是 Agent 环境里又多了一层。另外他们刚开始给界面做「属性测试」,用的是 Antithesis 公司开源的 Bombadil:它会自己在界面上到处探索、乱点乱试,检查你规定的性质有没有被破坏。这个也已经抓到几个界面 bug。

这些工具分工不同,有的帮机器找错,有的帮人审:

演讲里的五种验证,各管什么

「帮机器找错」:机器自己跑、自己报错。「帮人审」:产出给人看的证据。

运行时验证

Agent 自己开应用,照功能地图找到功能,点一遍、测一遍。

自己发现问题,也交回录像、截图 帮机器找错 帮人审

/statechart 状态图

把用户能看到的状态和跳转画成一张图。

看 Agent 理解的流程对不对 帮人审

TLA+ 模型检查

把流程写成状态模型,所有先后顺序都试一遍。

例:多设备、多平台的通知 帮机器找错

Lean 证明

对算法逐步写证明,机器核对每一步。

例:自制虚拟滚动库不闪烁、不抖动 帮机器找错

Bombadil 界面属性测试

自动在界面上探索各种操作,检查规定的性质始终成立。

已抓到几个界面 bug 帮机器找错

以前太贵的验证,现在便宜了

她引了 Cindy Sridharan 的两条推文。半年前 Cindy 抱怨好几个 AI 生成、带隐蔽 bug 的 PR 被合了进去(见下图),她那时信不过 Agent,缺的正是验证;半年后,Cindy 说她每天 70% 的 token 花在验证上。Lauren 说自己也一样,大部分 token 都花在验证。

幻灯片:Cindy Sridharan 的推文,好几个 AI 生成、带隐蔽 bug 的 PR 被合并

Cindy Sridharan 半年前的推文:「可能只是个例,但就这周,好几个 AI 生成、带隐蔽 bug 的 PR 被合了进去,又花了好几天、做了大量人工核查才修好。」后半句:「算上修 bug 花的力气,所谓的『速度』根本没涨。」

她特别指出,Cindy 流程里用的没有一样是新发明,都是软件工程里早就有的好工具,只是过去难懂、难写、难维护,贵到划不来。Agent 把这笔成本砍了下来,所以她说我们正进入软件测试和验证的黄金时代:以前不值得测的东西,现在可以测得透得多。

这里便宜下来的,是搭验证要花的人力:写模型、写证明、维护测试,现在可以交给 Agent。金字塔的先后顺序不变:能在代码库和静态检查里拦住的错,仍然先在那里拦。

状态图:看 Agent 有没有理解你要什么

形式化验证还有一个用处:帮你想清楚产品该怎么运转,也看出 Agent 到底懂没懂你的意图。她在自己的插件 pstack(Potato Stack)里新做了一个 /statechart 技能,从用户的视角把状态机画出来:用户可能处在哪些状态,做了什么会跳到哪。她觉得这张图和录像、截图放在一起看,比读代码好审得多。

幻灯片:/statechart 技能生成的状态图,标出 TLA+ 在 tibo.dog 剧情模式里抓到的 11 个 bug

**/statechart 画出的状态图:**演讲里一闪而过。这张画的是她的业余项目 tibo.dog 的剧情模式,标题是「TLA+ 在 tibo.dog 剧情模式里抓到的 bug」:红色格子是 TLA+ 发现规则被打破的状态,底部列了 11 条,比如「加载太慢时,落地页卡住,屏幕上一句台词都没有」「WebGL 丢失时,Tibo 在加载画面后面先站了起来」「暂停菜单盖住了 poteto 的结尾台词」。

回报:1.1 万个 PR,撤回约 0.5%

这么多投入换来了什么?Grok Bot 团队上个月往生产环境上线了约 1.1 万个 PR,客户端的发版也快了,大约每天出一个稳定版。核心团队交付得更多,偶尔顺手来帮一把的人也多了,他们不一定了解来龙去脉,也能贡献代码。10 月有约 227 人至少提交过一个 PR。

幻灯片:每个人都更高产了,6 月到 10 月贡献者人数按每人 PR 数分组的堆叠柱状图

**「每个人都更高产了」:**柱子是每月提交过 PR 的人数,6 月 15 人、7 月 48 人、8 月 95 人、9 月 163 人、10 月 227 人,8 月 11 日 Grok Bot 上线。每根柱子按「这个人当月提交了多少个 PR」分层,右边的图例把 100 个以上算核心,10–99 个算常来,9 个以下算顺手帮忙。

只看总人数,看不出「每个人都更高产」。按每人提交多少拆开,涨得最快的是提交多的那几层:8 月到 10 月,一个月 10–99 个的从 26 人涨到 77 人,100–999 个的从约 4 人涨到 22 人;只提交 1 个的从 29 人涨到 49 人。

每人一个月提交多少个 PR,按这个分组数人头

数字取自上面那张幻灯片;每组三根条,从上到下是 8 月、9 月、10 月的人数。

  • 8、9 月「100–999 个」这一层在原图上没标数字,用当月总人数减去其他各层推算。

交付这么快,会不会乱成一团、堆出一堆垃圾?她给的数字是:被撤回的 PR 占比反而降了,稳定在约 0.5%,也就是大约每 200 个合进去的 PR 里有 1 个又被退掉。

她觉得更有意思的是性能。她说和刚上线时比,客户端整体稳住了,好几项还更快:启动、打字、开新聊天、切换聊天。幻灯片对比的是 5 月和现在,也老实列出了变差的几项,最明显的是启动时加载的 JS 和 CSS 多了 285%、拖动调整窗口慢了 130%、空闲时 CPU 占用翻了一倍。她也提醒,Grok Bot 现在还是 Electron 应用,速度有天花板,但已经比很多 Agent 应用的界面快。

5 月和现在,客户端 15 项测量

数字越小越好。绿色是变好了,红色是变差了;每项两根条,上面 5 月,下面现在。时间单位是毫秒。

「冷」是这段聊天之前没打开过、要从头加载,「热」是刚打开过、内容还在内存里。「最慢的一成」指十次里最慢那一次的水平(p90)。

幻灯片:速度不以质量为代价,启动、打字、打开、切换和调整、资源五类共 15 项 5 月与现在的对比

**「速度不以质量为代价」:**原图分启动、打字、打开、切换和调整、资源五栏,绿色百分比是变快,红色是变慢或占用变多。打字一栏的虚线是「一帧」,打开和切换两栏的虚线是 100 毫秒。底部小字:「有天花板,但 Electron 应用也可以挺快(不过我正在琢磨用 Rust 重写)」。

先把内圈修好,再自动化外圈

她的劝告是:在搭「软件工厂」、把能自动化的都自动化之前,每次纠正 Agent,先从改进代码库做起。先写一条 lint 规则,挡住新出现的反模式,再把旧的清掉;然后把验证做扎实。这些本来就是自动化的前提。

理由很直白:如果你写代码的内圈(Agent 写、验证、发现问题、再改)产出的是垃圾,把这个圈自动化,只会产出更多垃圾,还得往里砸越来越多的 token,那可不便宜。

幻灯片:别把一个坏循环自动化,低信任循环与高信任循环对比

**「别把一个坏循环自动化」:**左边是低信任:Agent 写出垃圾代码,人来验证,发现问题,再回到 Agent,「大多数人卡在这里」。右边是走完 poteto 金字塔之后的高信任:Agent 写出好代码,Agent 自己验证,发现问题。底部:「先改进你的循环,再自动化!」

地基打好之后,外圈就容易搭了。外圈她用的是自家的 Grok Bot:它有大量连接器;有定时任务(routines),可以启动 Cursor 云端 Agent;还有「项目」,能调度几百上千个 Agent 一起干活。

她举的例子是发布流程。现在每切出一个新版本,Grok Bot 就自动开一个 Cursor 项目,对整个新版本做模糊测试(fuzz:用大量随机、出人意料的操作去试,专找崩溃和异常)。这个「Cursor 项目」是 Grok Bot 调来干活的一批 Cursor 云端 Agent,和前面反例里的 Cursor 编辑器不是一回事:它们像真用户一样把应用跑起来用,每找到一个 bug 就开一个修复 PR,然后自动合入。

每次发版后,自动跑的外圈

按演讲描述画的流程;修复 PR 能自动合入,靠的是前面几层地基。

1

切出一个新版本

客户端大约每天一个稳定版。

2

Grok Bot 自动开一个 Cursor 项目

不用人发起;项目里是 Grok Bot 调来干活的一批 Cursor 云端 Agent。

3

像真用户一样,把整个版本乱用一遍

模糊测试:运行应用、各种操作都试,记下每个 bug。 bugbugbug 4

每个 bug 开一个修复 PR

找到几个,就开几个。 修复 PR修复 PR修复 PR 5

自动合入

她说代码库已经好到 PR 默认就是好的。

幻灯片:Grok Bot 作为外循环,一份 Linux 版模糊测试结果报告截图

**「Grok Bot 当你的外圈」:**一个名叫 sandcastle 的 Agent 发在讨论串里的 Linux 版模糊测试报告(部分内容打了码)。它测了稳定版安装包,每个发现都和旧版 0.79.4 对比;合并 2 组重复后共 50 个不同的 bug:新出现的 3 个(0 个高危、2 个中等、1 个低),以前就有的 47 个(1 个高危、9 个中等、37 个低)。两个新的中等 bug 出自哪部分代码,原图打了码;唯一的高危 bug 在 0.79.4 上也有。每个 bug 在串里单开一条回复,新的排前面,下面一共 53 条回复。

她说敢这样做,是因为代码库已经好到 PR 默认就是好的;他们合入的大部分产品代码,已经不需要人深度审查。地基打牢、架构自己长得好,就能把 slop 变成金子:交付又快,质量也不打折扣。

演讲没讲到的地方

读完最容易冒出三个问题,演讲只给了部分答案:

  • **哪些改动可以自动合,哪些一定要人看?**她只说「大部分产品代码」不再需要深度人工审查,发布后找到的 bug 修复会自动合入。哪几类改动仍然要人看,没有给出清单。
  • **写代码和做验证的都是 Agent,谁来查验证本身?**她的回答是人改成审验证产物:录像、截图、状态图。至于验证漏了路径、拿错了对比基准怎么办,演讲没讲。
  • **撤回率之外,线上出的问题怎样?**演讲只给了撤回比例和性能数字。发布后的模糊测试报告能看到一点:那一版新出现 3 个 bug,没有高危。别的线上故障数据没有给。

这些数字都是团队自己报的,PR 有大有小,也不能直接换算成生产力。可那条顺序谁都能马上用上:下一次你纠正 Agent,先别往 AGENTS.md 里加那一句,看看它能不能变成一条 lint 规则、一个类型约束,或者一次让错误写法消失的重构。然后回头把代码库里同类的旧写法清掉,因为下一个 Agent 会照着它们学。 来源All Code Is Slop (Except Mine)Lauren Tan(poteto)·2026-11-14·查看主材料延伸AI Engineer CODE 2026 大会读本:Lauren Tan·Grok Bot 产品文档·React 官方文档:useEffect·Bombadil(Antithesis)本站说明幻灯片截自演讲视频。个人与团队的 PR 数、撤回比例、贡献者人数和性能测量都是演讲中的团队自述。

↑ 正文结束 ✓ 本篇全文免费开放

读完还有疑问?会员每天能问小互 30 次,每句带出处;还有一份按你口味挑好的每日 AI 日报。 成为会员 $59/年按月 $6.99

7 天内不满意全额退 · 看会员能多什么 →

阅读原文 ↗

📮 新解读每晚进邮箱

读完觉得有用?留个邮箱,每晚一封当天的新解读,随时退订。