AI 编码工具最容易制造一个错觉：代码增长等于交付加速。Meta Forum 的公开案例给出了更有用的观察单位。团队把成功定义为已经构建、通过测试、经受评审并达到生产就绪的结果；Agent 执行计划、实现、构建、测试和纠错循环，工程师保留产品目标、架构取舍与最终签字。
对准备引入 Agent 的中文技术团队，真正需要回答的问题是：现有评审体系能否消化新增产量？如果答案是否定的，继续提升生成速度只会把在制品堆到代码审查、测试或上线门禁前。
先做一次十五分钟的边界盘点
选择一类重复任务，例如修复前端回归、补充 API 或处理线上告警，然后把交付链写成五列：
| 环节 | Agent 可以执行什么 | Agent 能读取什么状态 | 自动证据 | 人工决定 |
|---|---|---|---|---|
| 目标 | 收集上下文、列出约束 | 需求、历史变更、故障记录 | 明确的验收条件 | 产品结果与优先级 |
| 实现 | 修改代码、构建、纠错 | 仓库、依赖、当前界面状态 | Diff、构建与静态检查 | 架构取舍 |
| 验证 | 运行测试、导航真实界面 | 测试结果、View Hierarchy | 测试记录、录屏、复现步骤 | 证据是否覆盖真实意图 |
| 评审 | 生成测试计划与证据摘要 | 完整变更与验证产物 | 可复核证据包 | 接受、返工或拒绝 |
| 生产 | 协助定位反馈与回归 | 监控、日志、用户反馈 | 根因候选与复现报告 | 部署、回滚与风险接受 |
盘点的目标是找出最紧的边界。人工时间大量花在补上下文，问题在可观察性；大量 Pull Request 看似通过却被退回，问题在验证器；验证充分但上线仍排队，问题可能在权限或发布容量。每解决一个瓶颈都要重新测量，因为约束会迁移。
Meta 改造的是环境，不是提示词
Forum 团队公开的主要失败之一，是 Agent 在移动应用中找错页面，甚至猜测屏幕坐标。修复方法是让 Agent 直接读取模拟器 View Hierarchy、列出屏幕元素并查询目标路径。代码调查也采用相同思路：提供代码指针、示例查询和设计文档，让 Agent 在行动前读取当前状态。
这类工具把模糊描述转成可观察接口。它减少的是推断当前状态的风险，而不是依赖更长的 Prompt 让模型猜得更准。
验证同样被放进执行循环。构建、单元测试、UI 规格匹配、模拟器检查、Lint 和导航 Agent 都产生机器可读的通过或失败信号。Pull Request 到达工程师时，已经附带测试计划和录制的验证会话。
这里仍需保留一个关键边界：单一绿灯无法代表产品合同。编译可以漏掉行为错误，截图可以漏掉导航状态，远程模拟器也可能不稳定。验证栈需要覆盖不同失败面，工程师负责判断证据是否真的对应产品意图。
用证据包替代代码量
如果团队只能先改一个指标，建议记录每个已验收结果的完整成本：
模型、基础设施、CI 与人工成本 ÷ 已验收生产结果数
再用四组信号解释这个结果：
- 流动：从规格到生产的时间、评审等待、部署频率；
- 稳定性：变更失败率、返工率、恢复时间、逃逸缺陷；
- 验证质量：首轮验收率、False Pass、重跑次数、回归复现成功率；
- 人工负担：活跃审查分钟、介入率、升级率和废弃率。
DORA 当前同时观察吞吐与不稳定性，SPACE 框架也明确指出开发者生产力无法由单一活动指标表示。代码量、Agent 调用数和 Pull Request 数可以作为诊断信号，但都不适合作为顶层目标。
Meta 报告 Forum 在 8 周内达到 Facebook Groups 的核心功能对齐，并称一轮自动压力测试发现了内存问题，修复后重复压力会话中的内存使用和 Page Fault 大致减半。这些数字证明该流程交付了真实产品，也发现了可测量缺陷。它们仍属于单一案例：公开材料没有披露团队人数、总成本、无 AI 对照组、验收率、逃逸缺陷率或完整的功能对齐清单，因此无法据此计算通用生产率倍数。
把原型风险留在生产构建之外
Forum 使用单独的 Build Flavor 运行 AI 原型。它共享代码库、框架和设计系统，但通过 Plugin 与 Socket 架构，把原型代码从生产构建中直接编译出去。
这比 Feature Flag 提供了更强的隔离：生产二进制中不存在的实验代码无法造成生产崩溃。原型进入生产仍需达到完成、评审和验收标准。对于高风险系统，同样的控制思想可以落到独立账户、沙箱数据、只读工具、分阶段权限与可回滚发布上。
一条按失败递增的改造顺序
团队无需复制 Meta 的内部平台。更经济的路径是从一类真实任务开始：
- 冻结输入和验收标准，记录当前人工审查时间；
- 给 Agent 增加读取最新状态的工具，而不是继续扩写静态说明；
- 把构建、测试、Lint 与必要的界面检查放进循环；
- 要求每次提交携带可复核的验证证据包；
- 将原型工件与生产工件隔离；
- 记录 False Pass、返工、逃逸缺陷与单位已验收结果成本；
- 只有某类失败反复出现时，才把纠正固化为 Rule、Skill、Command 或 Hook。
Meta 的公开做法正是这一逻辑：重复错误写入 Rules，团队流程封装成 Skills，Agents 执行检查，Commands 串联流程，Hooks 守住关键转换点。治理资产来自真实失败，而不是在第一天预先建立一整套复杂框架。
结论
AI 原生工程的起点是审查边界设计。Agent 获得执行自由度的同时，系统必须给它可读取的状态、可运行的验证器和明确的权限范围；工程师则把时间集中在目标、反例、架构与最终责任上。
下一次评估 AI 编码效率时，先暂停统计生成了多少代码。挑一个重复工作流，测出人工时间花在何处拒绝看似合理却缺少证据的结果，然后优先自动化那一段证据链。