AI代码治理缺口扩大，开发者难辨人机代码

AI代码工具正在给软件工程团队带来巨大的下游压力。GitLab于近日发布了《AI问责报告》，旨在评估行业讨论的走向。

当前，业界的关注焦点似乎已经从"团队能以多快的速度生成代码"转变为"团队是否真正能掌控所交付的代码"。

Harris Poll受GitLab委托，对六个国家的1528名开发者及技术决策者进行了调查。结果显示，91%的组织正在同时使用两种或以上的AI编程工具，78%的受访者表示，采用AI工具后开发者的编码与提交速度明显加快。然而，速度的提升正在超越管控能力——43%的受访者表示，他们无法在自家代码库中可靠地区分哪些代码由AI生成、哪些出自人类之手。

GitLab首席产品与营销官Manav Khurana在接受采访时表示，这项研究揭示了一个因代码产量急剧增加而不断扩大的治理缺口。

"AI已经将软件开发的瓶颈从'写代码'转移到了'审代码'——85%的受访者对此表示认同，"Khurana说道。"开发者面临的代码审查负担越来越重，他们需要验证那些并非自己编写、甚至未必能完全理解的代码。编码加速带来的效率收益，往往被长达数日的审查周期所抵消。"

他进一步指出，尽管编写代码的速度有所提升，但编码本身只是软件开发生命周期（SDLC）的一个环节：编码之前需要明确需求，编码过程中需要经历审查、安全、测试和部署，编码之后还涉及功能增强、系统集成与维护。

Khurana认为，解决之道在于构建一套智能体基础设施，让软件交付流程的其他环节也能跟上智能体编码的节奏。这意味着需要实现机器规模的执行能力、覆盖完整生命周期的上下文感知、内嵌于流程的治理机制，以及跨层级的统一编排。

工具链割裂问题

"只有28%的组织表示，其软件开发生命周期工具已实现完全集成，具备统一的数据与工作流，"Khurana指出。"开发者在审查由智能体生成的合并请求时，可以看到是谁调用了该智能体、它关联的是哪个问题。但如果不手动从多个系统中汇总信息，他们往往无从得知：这段代码触及了哪些安全发现、受哪项策略管辖，以及它引入的风险是否已被解决。"

GitLab的理念是：当治理机制内嵌于平台之中，代码审查就能依据团队和公司的策略自动执行。所有智能体的操作都与特定身份绑定，并按策略进行日志记录，审查流程中会自动呈现相关信息。

"我们的目标是让治理层对开发者保持透明，让审查者能够专注于真正需要人类判断的决策，"Khurana说。

机器规模执行能力

为支持机器规模的智能体执行，GitLab开发了新的Git后端与交互界面。据该公司称，新系统能够"稳定支撑数百万个智能体会话并发运行"，且运行速度极快。在其内部测试中，新系统的实际运行时间最高可提速50倍，网络流量最高可减少1000倍。

"我们也在上下文工程上下了功夫，"Khurana进一步说明。"GitLab Orbit（于今年6月10日发布）为智能体提供了一个上下文图谱，将代码、流水线、工作项、安全发现和生产信号连接在一起。在我们的测试中，智能体的运行速度最高提升11倍，所需Token数量减少了4.5倍，幻觉现象减少了45倍。更值得关注的是，智能体现在能够回答此前无法作答的问题，因为它只需一次图谱调用便可获取所需的全部上下文。"

此外，GitLab还在治理与编排层面持续推进新功能开发，以确保智能体的各项操作能够依据团队定义的策略，在整个软件开发生命周期中自动协调运作。

AI问责的三个核心问题

GitLab在报告中将AI问责定义为一种组织与技术能力，其核心在于能够对任意一行AI生成代码回答以下三个问题：

这段代码从何而来？

它的预期功能是什么？

上线之后，谁对它负责？

GitLab表示，大多数组织目前都无法回答上述问题。

Khurana指出，当无法厘清AI代码执行的"谁、是什么、在哪里"时，成本的持续攀升通常是治理缺口扩大的明显信号。他解释说，智能体在并非为其设计的基础设施上低效消耗Token，正是上下文层与治理层缺失的典型表现。

"大多数组织采用智能体软件工程的方式，是在现有基础设施之上叠加AI编程工具，问题很快就会暴露，"Khurana强调。"这正是GitLab方法的不同之处。GitLab正在构建其他工具所忽视的智能体基础设施——从机器规模的执行能力，到贯穿软件生命周期的上下文感知、治理与编排。一个编程助手只能让单个开发者提速，而我们所做的，是让整个系统以机器速度运转，同时不失去对它的掌控。"

在更宏观的层面，GitLab的调查数据同样引人关注：91%的受访者表示，未来12个月内很可能投资AI代码治理工具，98%的受访者已经或预计将为此分配预算。此外，85%的受访者认同，AI在软件领域的下一阶段将更少聚焦于代码生成，而更多聚焦于代码治理。

面向未来的技能储备

Khurana将这一现象定性为企业在AI思维上的"成熟"——一旦处理得当，AI代码功能将从生产力工具演变为可规模化的基础能力。

这种成熟不仅影响着工程项目管理层的决策方式，也对刚刚踏上职业道路的初级开发者产生深远影响。

"如今最重要的能力之一是判断力，"Khurana总结道。"那些投入精力深入理解系统运作原理、而不只是学习语法，并能从流水线、安全发现和生产信号中追溯代码脉络的初级开发者，才是真正推动智能体工程落地的人。"

我们知道，智能体生成代码的速度远超任何开发者。但就目前而言，它们仍无法判断一段代码是否真正契合其所在的系统，以及是否满足系统需要达成的需求——这依然是人类不可替代的价值所在。

Q&A

Q1：GitLab《AI问责报告》的核心发现是什么？

A：报告调查了六国1528名开发者与技术决策者，发现91%的组织在同时使用两种以上AI编程工具，但43%的受访者无法区分代码库中哪些是AI生成的、哪些是人类写的。报告指出，AI已将开发瓶颈从"写代码"转移到"审代码"，85%受访者对此认同，代码治理缺口正在快速扩大。

Q2：GitLab Orbit是什么？能解决哪些问题？

A：GitLab Orbit于2025年6月10日发布，是GitLab推出的一套上下文图谱系统，能将代码、流水线、工作项、安全发现和生产信号连接在一起，供智能体统一调用。根据GitLab的测试数据，使用Orbit后智能体运行速度最高提升11倍，所需Token数减少4.5倍，幻觉现象减少45倍，并能回答此前因上下文不足而无法作答的问题。

Q3：AI编程工具普及后，初级开发者应该培养哪些核心能力？

A：根据GitLab首席产品与营销官Khurana的观点，判断力是现阶段最重要的能力。初级开发者不应只专注于学习语法，而要深入理解系统运作原理，并具备从流水线、安全发现和生产信号中追溯代码脉络的能力。这类开发者才能真正驾驭智能体工程，因为智能体目前仍无法判断代码是否符合系统需求，这一职责依然依赖人类判断。