绿灯之后
绿灯曾经是一种承诺。
2019年，我花了两个月给一个基于安卓底层的产品补测试，覆盖率终于做到能看的程度。CI 随之部署上去，第一次跑通的时候，进度条走到头，颜色翻绿，十二分钟后代码已经躺在生产环境里。
那一年 GitHub Actions 正式 GA，Kubernetes CRD 落地，Helm 3 发布。测试够多、流水线够快，软件就值得信任，那时候是这么觉得的。
死过一次
2024年，覆盖率仪表盘还是90%，发布前仍然排着一队人工QA。
为什么？
Martin Fowler 2012年写过一篇短文。他说测试覆盖率作为发现未测试部分的工具是有用的，但作为衡量测试好坏的数值指标，几乎没有价值。他会对任何接近100%的覆盖率感到怀疑。
覆盖率衡量的是代码行被执行过，不是被验证过。一个测试可以执行某行代码却不包含任何有意义的断言，Fowler 管这叫"无断言测试"。覆盖率告诉你测试跑过哪些行，但它不会告诉你 bug 藏在哪一行。
Microsoft 和 Google 各自的实证研究都显示，覆盖率过了70-80%以后，缺陷检出率的边际效益急剧下降。许多覆盖率90%以上的模块照样爆出严重缺陷。
90%的覆盖率看着漂亮，可发布前那排人工 QA 还是少不了。
搬家
2025年下半年，spec 驱动这股风刮了起来。想法很简单：写代码之前先把"要做什么"定义清楚。
7月，AWS 发布了 Kiro，一个 spec 驱动的 IDE，工作流分三步：需求、设计、任务，走完才写代码。9月，GitHub 开源了 Spec Kit。10月，一个叫 OpenSpec 的轻量级框架冲了出来，GitHub 上攒到将近六万颗星，Claude Code、Cursor、Copilot 都能用。
"Vibe Coding"，凭感觉让 AI 写代码，在简单项目上好玩，复杂项目上会失控。AI 在本地跑通却偏离架构，在你不知道的地方塞进自己的"理解"。结构化的 spec 就是用来摁住它的。
我试了一阵。spec 的本意是把代码生成的意图钉死，写代码之前先把"要做什么"定义清楚。但 LLM 经常写着写着就忘了 spec，或者用自己的理解悄悄替换掉规格里的约定。前半段还在轨道上，后半段已经偏了。
Faros AI 在2025年7月发了一份报告，覆盖一万个开发者、一千多个团队。高 AI 采用团队合并的 PR 多了将近一倍，PR 审查时间增加了91%。报告的结论是一句话：人类审查仍是瓶颈。
就算 spec 没被忘掉，规格本身对不对、用户是不是真需要、边界场景想没想到，它也回答不了。
洪水
2026年初，OpenClaw 开源了。Claude Code 的开源替代品，"规划-行动-观察-验证"的循环，自带 API 密钥，完全自托管。发布不到半年 GitHub 上四万多颗星。它拆掉了最后一道围栏——循环里那个"验证"是 AI 自己检查自己写的代码，没人拦着。
有人用16个 Claude Opus 实例从零构建了一个 C 编译器。近十万行代码，两周完成。它能通过99%的 GCC torture test，能编译 Linux 内核，能运行 Doom。但汇编器和链接器还有 bug，演示时调用的是 GCC 的组件；开满优化的输出，效率还不如关掉优化的 GCC。代码逼近十万行以后，每修一个 bug 就破坏几个已有功能。做这个项目的 Carlini 自己说，它"恰好顶到了当前模型能力的上限"。
我自己也做了一次实践。OpenClaw 配合 spec 和规则文件，不到五个小时，完成了一个两万行级别的项目，测试覆盖率70%。
开发这件事，好像确实不是瓶颈了。
两万行代码，70%覆盖率，审核和验证怎么做？70%覆盖率意味着30%的代码路径未被测试触及，在两万行的项目里，这是六千行未验证的代码。而且就算是被覆盖的70%，也不等于被验证过。
Faros AI 2026年的报告：PR 审查时间平均增加199.6%，中位数增加441.5%。
当时有人试着把 AI 生成、自动测试、静态分析串成闭环。但智能体会在半成品上宣告成功，两个乐观主义者互相认同，谁也拦不住。这种循环只能算自动化，算不上工程。这一点要到2026年年中 SonarSource 提出 Loop Engineering 框架时才被讲清楚。
在非技术人员的叙事里，故事到这里就结束了。Sam Altman 说软件"确实比以往更容易创建"，J.P. Morgan 按"software is dead"给软件股定价，Salesforce 跌了三成。Karpathy 自己宣布"vibe coding"过时了。
METR 做了一个随机对照试验。有经验的开发者使用 AI，实际慢了19%。但他们感觉自己快了20%。
回潮
Werner Vogels 在 re:Invent 2025 上给这个现象起了个名字，叫"验证债务"。生成快了，审查反而更慢，因为代码不是你写的，你得先看懂。
Sonar 调查了一千多个企业开发者。96%的人不完全信任 AI 输出，但只有48%总是在提交前验证。AI 已经占了提交代码的42%，预计2027年达到65%。
而代码审查这件事本身，在找 Bug 上的效果也远低于直觉。Microsoft Research 那篇论文的标题就叫《Code Reviews Do Not Find Bugs》。评审里只有15%的评论指向可能的缺陷，其余85%是风格、结构、理解类问题。Google 自己的研究说，代码审查的首要价值是知识共享，防 Bug 排第三。
Boris Cherny 是 Claude Code 的负责人。他这样描述自己现在的工作："我的工作就是写循环。"设计智能体的工作流程，设定验证标准，判断循环什么时候可以停。
2024年，Klarna 用 AI 替代了700个人。两年后他们承认"走得太远"，把人重新请了回来。Klarna 没有回到旧模式，搭了一套"AI 增强混合方案"。
CI 流水线翻成绿色。
屏幕前的人停了一下，没有按下部署。