AI写的PR堆成山，Rust已忍无可忍|代码|编程|pr|编译器|rust|自然语言|agent_网易订阅

2026-08-08 20:42:25 分类：百科 阅读(85646)

机器之心编辑部AI 编程正在把软件开发里最昂贵的堆成代码订阅一件事高效高效变便宜：写代码。然而，已言Rust 社区却发现，忍无然语麻烦恰恰由此最初。可忍数据显示，编程编译rust-lang/rust 仓库里积压了 1300 个尚未关闭的网易 PR。过去，堆成代码订阅一个结构完善、已言测试充分、忍无然语验明正身详详见细的可忍 Pull Request，频仍意味着背后有人花了不少时间探究代码、编程编译理解设方式，网易再认真实现修改。堆成代码订阅LLM 普及之后，已言这套判断原则最初失效。忍无然语一个人可以很快生成几百行代码，甚至同时提交多个看起来相当完善的 PR。代码产量大幅提高，负责审核这些代码的维护者却没有变多。开源社区遇到了一个很现实的新状况：代码越来越便宜，人的判断越来越贵。最近，Rust 项目中的五个团队采纳了一套照章性 rust-lang/rust 主仓库的 LLM 采取政策，专业规定大语言模型可以怎样参与 rust-lang/rust 主仓库的贡献。它没有覆盖整个 Rust 项目，也没有给 AI 编程下一个便捷的「允许」或「禁止」结比如。政策给出的题原则很有意思：可以用 LLM 回答状况、探究、提炼、润色、检查、提议和审查；包含到直接创造材料，则会受到严格限制。OpenAI 的一位研发人员以自己作为维护者的身份，认同 Rust 的这份新政策，表示「特别周到且合理。」图源：https://x.com/charliermarsh/status/2085065098616275359一份漂亮的 PR已经说明不了你懂代码Rust 这次专业为 LLM 制定条件，先碰到的是一个很反直觉的状况：AI 正在让「认真工作留下的痕迹」失去可靠度。维护者看到一份实现度很高的 PR，常见可以推断出几件事：作者投入了时间，对相关代码有一定理解，也可能愿意首先期参与这个项目。这些信号会直接意义开源社区的协作方式。同时，维护者常见不愿意轻易关闭一个别人花很多时间实现的 PR。代码审查流程中发现新的状况，双方还可以后续讨比如和修改。LLM 普及后，这些判断越来越难成立。格式工整、测试齐全、描述详详见细的 PR，几分钟或者几十分钟就可以生成。代码看起来专业，作者未必理解其中的设方式。如果背后运行的是自主 Coding Agent，甚至可能连一个真正参与思考的人都不存在。Rust 团队尤其担心一种状况：开发者收到 Review 意见后，直接把审核者的话复制给 LLM，再把 LLM 的回复原封不动贴回 GitHub。政策起草者对此说得很直接。维护者如果想知方式 LLM 怎么回答，完全可以自己去问。代码审查真正需的是贡献者自己的判断：你为什么这么改？有没有考虑其他实现？未来代码结构发生变化怎么办？这些状况很难靠一段「看起来正确」的生成文本处理。这也验明正身了 Rust 为什么一直强调一个词：理解。一段代码能够运行，只验明正身它目前实现了某项功能。大型基础软件还需考虑 API 设方式、兼容性、安全边界、之后维护以及它与其他模块的首先期关系。Rust 没有封禁 AI但 AI 代码关键过更高的门槛这份政策比「Rust 禁止 AI 写代码」复杂得多。LLM 仍然可以大量参与开发。你可以让它回答技术状况，可以用它探究 RFC，可以检查代码，可以协助总结材料，也可以让它参与 Review。个人私下采取 LLM，只关键生成材料没有直接提交给社区审核，常见也无需披露。一些过去已经存在的实际用途也被保留下来。例如开发者可以用 LLM 辅助翻译，让非英语母语贡献者用自己的语言起草材料；可以借助模型寻找编译器诊断不合理的地方；也可以探究 RFC，检查设方式讨比如有没有漏掉语言系统中的其他意义因素。Rust 对 AI 的态度并不排斥。真正严格的是直接进入项目的生成材料。公开提交 LLM 生成的材料，需清楚披露来源。利用模型发现 Bug、实现机器翻译、开展部分便捷修改，或者借助 LLM Review 他人的工作，都有对应的披露需。包含 AI 直接生成代码，限制更加严格。Rust 给出的需涵盖：AI 生成代码只有在事先安排、非题、优质、测试充分并经过充分审查的状况下，才能在披露 LLM 采取的前提下被允许。尤其值得注意的一条是：AI 生成的代码，需实现比往往见不鲜人类代码更高的门槛。对包含 Rust soundness（健全性）的题改动，限制更加严格：除非作者本人已经是相关领域专家，否则不能由 LLM 生成；即使作者具有专业能力，政策仍然强烈不提议这么做。Review 端同样获得了更多主动权。维护者没有义务审核 AI 生成的 PR。如果一个提交违反政策，Reviewer 可以直接关闭，并需作者按照条件重新处理。与此同时，Rust 也专业防止另一种状况出现：不能因为代码「看起来很像 AI」就公开指责作者。政策清楚提出，代码风格本身不能构成采取 LLM 的证据。如果 Reviewer 怀疑作者隐瞒 AI 采取状况，可以私下交给 Moderation 团队处理。这套机制实际上把责任划得很清楚：作者负责披露，维护者负责判断代码是否值得进入项目。Rust 并不试图检测每一次偷偷采取 AI 的表现。它更看重一条那么点儿实施的边界：只关键公开提交了 LLM 生成材料，就应该清楚验明正身。AI 编程的下一个瓶颈可能已经不是生成代码这套政策真正值得关注的地方，其实已经超出了 Rust。过去两年，AI 编程产品竞争的题几乎都放在「写得更快」上。模型一次生成完善功能，Agent 后续工作几个小时，跨越大型代码库修改几十个文件，自主运行测试、修复错误再重新提交结荚。这些能力还在高效高效提高。但同时，一个新的工程约束正在浮出水面：AI 可以扩大代码产能，却没有同步扩大人类的审核产能。一个 Coding Agent 可以同时启动十个任务，一个资深 Maintainer 很难同时认真审十个复杂 PR。生成成本越低，这个状况越明显。尤其对于 Rust 这样的基础软件项目，一次修改意义的可能是编译器、原则库、诊断系统、安全边界以及未来多年的兼容性。真正耗费时间的环节，频仍不是把代码敲出来，而是决定这项修改值不值得做、设方式是否合理、会不会给未来留下技术债。Rust 政策原文里有一句很题的话：Review 本质上由一连串决策组成。这句话点中了 AI 编程接下来很可能面对的产业状况。代码生成模型已经能够显著压缩实现的成本，软件工程里那些更难规模化的部分随之暴露出来：需判断、架构选项、代码审查、责任确认以及首先期维护。AI Agent 越强，治理这一层的题性反而越高。未来研究一套 Coding Agent 系统，也不能只看它一天生成多少代码、实现多少 Issue。一个更现实的状况会变成：它最后给人类提高了多少审核负担？假设 Agent 一天能够生成 20 个 PR，而资深工程师需更首先时间逐一确认设方式与实现，代码生成高效度的提高就未必能够等比例转化为整个项目的研发吞吐量。能够自动测试、给予修改依据、验明正身题设方式决策、控制任务范围、主动减小 Reviewer 的认知负担，可能会成为下一时期 Coding Agent 更题的能力。这也是 Rust 这份政策最有意思的地方。它没有试图阻止 AI 进入软件开发。相反，它提前碰到了 AI 编程规模化之后必然出现的一方式题：机器最初无限生产代码之后，人类究竟还需负责什么？Rust 给出的答案很清楚。代码可以让模型帮忙写，理解、判断和责任，暂时还不能外包。原文链接：https://blog.rust-lang.org/inside-rust/2026/08/05/rust-langrust-is-adopting-an-llm-policy/