Skip to content
Back/Harness Engineering

Better Code, More Slowly — 用 AI 写更好的代码,而不是更多的代码

View in Graph
Updated 2026-09-10
3 min read
510 words

Better Code, More Slowly

作者:Nolan Lawson(PouchDB 作者,Salesforce 工程师)
来源:https://nolanlawson.com/2026/05/25/using-ai-to-write-better-code-more-slowly/
核心论点:AI 编码的主流用法是"slop cannon"(快速产出勉强可用的烂代码),但 LLM 同样适合写出更高质量的代码——即使更慢。


反 slop-cannon 的立场

AI 编码的两种用法:

用法 特征 结果
Slop cannon 快速产出低质量代码,开大 PR,未经评审就合并 技术债务累积,代码库健康状况恶化
Better code, more slowly 用 AI 做深度评审、找 bug、写文档、理解系统 代码质量提升,开发者对代码库的理解加深

"LLMs are very flexible. And you can use them just as effectively to write high-quality code more slowly."


多模型交叉评审 PR

核心洞察来源

Milvus 博客文章的核心发现:模型越多、越不同,幻觉和误报越少。

Nolan 的实践配置

同时运行三个模型评审同一个 PR:

  • Claude sub-agent
  • Codex
  • Cursor Bugbot

指令模板(大意):

运行 Claude sub-agent、Codex 和 Cursor Bugbot 找出这个 PR 中的 bug,
按 critical/high/medium/low 分级。等它们都完成后,
评审它们的发现,自己做研究排除误报,然后写最终报告。

Bug 定义标准

可自定义,Nolan 的 stipulations 包括:

  • KISS 原则
  • DRY 原则
  • 可访问的 HTML/JSX
  • SQL 查询使用 proper index

实际效果

  • 几乎零误报率
  • 找到的 bug 数量多到"让你无聊透顶"
  • 范围从 critical 安全/正确性 bug 到 "这个注释有误导性"的低级问题

Workflow:如何处理海量 bug

  1. 让 agent 修复所有 critical/high(人工指导正确方案),循环直到清零
  2. 跳过收益不值得的 high/medium(例如:100 行代码修一个极窄 edge case)
  3. 如果 critical 太多,直接放弃 PR——说明整个思路有问题

Side Quest:发现 Pre-existing Bugs

意外后果:评审过程经常挖出 PR 之前就存在的旧 bug。

结果:

  • 进入修复旧 bug、写 unit test 的 side quest
  • velocity 不一定提升,甚至下降
  • 但代码库整体健康度大幅提升

"This is the opposite of the '10x productivity' slop-cannon style of development... but I find it very satisfying."

Nolan 的观察:复杂架构的 happy path 不如 failure modes 有意思。Pre-LLM 时代熟悉代码库的方式就是看假设在哪里崩掉——AI 加速了这个过程。


慢下来的"Vibe Coding"

给"写几百行 PR 自己却看不懂"的开发者

  1. 让 agent 解释 PR:"这个 PR 怎么工作?可能在哪里失败?"
  2. 写 Markdown 文档 + Mermaid 图表帮助理解
  3. 用 Matt Pocock 的 /grill-me skill 直到完全理解 PR

核心竞争力不变

"A more super-powered version of the kind of programming I was already trying to do before LLMs: careful, methodical, quality-obsessed, focused on making things better for the next coder."


与现有框架的对照

框架/观点 核心信息 Nolan 的补充
Karpathy Vibe Coding 抬高下限,Agentic Engineering 保住上限 "保住上限"的具体实践:多模型交叉评审
Simon Willison 工程师在停止逐行 review agent 代码,产生"愧疚感" Nolan 选择主动增加 review 强度,用多模型替代人工逐行 review
François Chollet 代码产出 10x 增长,但净生产力几乎没变(技术债务) Nolan 的 workflow 直接回应:用 AI 发现和修复技术债务,而非加速制造
Dan Shipper / Proof Vibe coding 应用爆红后崩溃 Nolan 预防式地避免这种崩溃:在合并前就做深度质量检查

可立即应用的行动

1. 设置多模型 PR 评审 skill

Run a Claude sub-agent, Codex, and Cursor Bugbot to find bugs in this PR
ranked by critical/high/medium/low. Once they're all done, review their
findings, do your own research to rule out false positives, and write
a final report.

2. 自定义 Bug 定义

根据团队标准扩展 stipulations:

  • 性能模式(SQL index、N+1 查询)
  • 安全模式(XSS、注入、权限检查)
  • 可维护性模式(注释准确性、命名清晰度)

3. 用 AI 生成理解文档

在评审过程中要求:

  • "画一个 Mermaid 序列图解释这个 PR 的数据流"
  • "列出这个 PR 引入的所有新假设和边界条件"
  • "如果三天后我需要修改这段代码,我需要知道什么?"

2026-09-10 补充:摩擦消失让战略性错误更难被体感(Matt Pocock)

来源:AI Briefing 2026-09-10 午间

Matt Pocock 担心 AI 编程会掩盖战略性错误:开发者过去依靠摩擦(搭环境慢、改架构疼、工具难用)来感知糟糕的架构或工具选择,AI 抹平这些摩擦后,错误信号也随之消失。这与 Nolan 的立场互补:Nolan 用多模型评审防"烂代码合并",Pocock 提醒的是更早一层的"方向性错误"——代码质量没问题,但做的事本身是错的。

2026-09-10 补充:三步 Agent Review 提示词(dotey)

来源:AI Briefing 2026-09-10 午间

dotey 给出一种让 agent 做更深入代码审查的提示词结构:

  1. 先让 agent 陈述这个 PR 解决什么问题
  2. 再让它不看实现,独立提出自己会怎么解决同一问题
  3. 审查代码后,对比独立方案与实际实现,报告差异

价值在于把 review 从"找实现里的毛病"变成"设计方案对照",能暴露实现中被默认但未必正确的取舍。适用场景:设计取舍重要的高风险 PR;最终 review 仍要落到具体代码行和行为风险。


关联

Sources

Synthesized from 3 sources

Evolution

1 event
  1. absorbed

    Derived from source material

    This page is currently synthesized from 3 sources.

    From Nolan Lawson — Using AI to write better code more slowly, AI Briefing 2026-09-10 午间, 2026-09-10-21-26To Better Code, More Slowly — 用 AI 写更好的代码,而不是更多的代码
    Sources: raw/to-learn/Nolan-Lawson-Using-AI-to-write-better-code-more-slowly.md · raw/briefing/AI Briefing/2026-09-10-21-26.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-10-21-26.md

Linked from