Nolan Lawson（Socket工程师）在HN引发热议：他用Claude子代理+Codex+Cursor Bugbot三个模型同时审查一个PR，假阳性率接近零，但编码速度反而变慢了。这篇文章不是教你用AI"10x提效"，而是教你用AI写出值得后来者感谢的代码。
事件回顾：一篇博客引发的认知反转
2026年5月25日，Nolan Lawson在他的博客"Read the Tea Leaves"上发表了一篇题为《Using AI to write better code more slowly》的文章。这篇文章在24小时内登上Hacker News热榜，获得145分和43条评论。
文章的切入点极具颠覆性：当整个行业都在追逐"用AI写代码10倍提速"时，Nolan提出了一个反直觉的主张——AI的真正威力不在于写代码快，而在于找bug狠。
他写道：
"很多人似乎坚信AI编程的意义就是用最快速度吐出勉强能跑的代码。打开巨型PR，不经审查就合并。Ship it！但问题在于，LLM非常灵活。你完全可以用它们来写更高质量的代码——只是更慢。"
这句话击中了2026年AI编程工具热潮中最被忽视的盲点：我们花了太多时间讨论如何让AI"更快地写代码"，却几乎没人认真研究如何让AI"更好地审查代码"。
核心方法论：三模型交叉审查工作流
Nolan分享的工作流异常简单，却经过实战验证：
步骤一：并行启动三个审查子代理
关键细节：必须在所有三个子代理都返回结果之后，才让主代理开始分析。Nolan解释了原因："否则会有被第一个结果影响的倾向。"
步骤二：按严重程度分级
三个模型各自输出发现的问题，按以下等级分类：
- Critical（严重）：安全漏洞、正确性错误
- High（高）：可能导致生产故障的逻辑缺陷
- Medium（中）：性能问题、边界条件处理不当
- Low（低）：误导性注释、命名不规范
步骤三：主代理交叉验证+排重
三个模型的所有发现汇总后，主代理进行交叉验证——排除假阳性，合并重复发现，产出一份最终审查报告。
Nolan的经验数据是：假阳性率接近零。为什么？因为三个不同模型同时产生同一个幻觉的概率极低。
步骤四：分优先级修复——只修Critical和High
这是最反直觉的一步：不是所有bug都值得修。
Nolan的实战策略：
- 修完所有Critical和High（由Agent执行，人工指导方案）
- 跳过"投入产出比不高"的Medium/Low（比如为了一个窄边缘情况改100行代码）
- 如果Critical太多以至于整个方案方向都错了——直接放弃这个PR
为什么"更慢"反而更好？
Nolan给出了三个有说服力的理由：
第一，你在修PR引入之前就存在的bug。 当AI审查发现的问题远超PR本身引入的缺陷时，你会被迫进入"支线任务"——为那些早该修复的历史遗留问题写单元测试、理清逻辑。这不是"浪费时间"，而是在系统性改善代码库健康度。
第二，你在学习代码库的失败边界。 Nolan的洞察极为精准："复杂架构的happy path远不如它的failure modes有趣。在LLM出现之前，我熟悉代码库的方式本来就是：理解假设在何处破裂，然后亲自动手修复它。"
第三，最终产出的代码你能完全讲清楚。 他特别推荐了TypeScript大神Matt Pocock开源的/grill-me skill（一个让AI逐行"拷问"你对代码理解程度的Claude Code技能），并建议"在你能从前到后完整讲清楚整个PR之前，不要合并"。
这不是个例：AI代码审查工具生态正在成型
Nolan的工作流并非孤例。2026年5月，AI代码审查已经从"要不要用"变成了"怎么用好"：
- Matt Pocock的Claude Code Skills（2026年4月底开源）：包含18个skill，其中
/grill-me和/review专门针对代码质量和理解验证，GitHub已获23K+ stars - Cursor Bugbot：Cursor编辑器内置的自动bug检测功能，可在PR阶段自动扫描潜在问题
- GitHub Copilot Code Review：2026年5月GitHub也在强化Agent PR审查能力，官方发布了Agent代码审查指南
Nolan的工作流独特之处在于：他不依赖任何单一工具的审查结果，而是用三个不同模型的"交叉火力"消除假阳性。这是一线工程师在实践中摸索出的方法论，而非产品宣传。
对AI创业者的启示
这个故事对"AI创业内参"的读者有三层价值：
第一层：工具选择上，不要只买一个模型的账。 不同模型有不同"盲区"。Claude擅长逻辑推理但可能遗漏边界条件；Codex对代码模式敏感但会过度自信；Cursor Bugbot专注模式匹配但对业务逻辑理解较弱。三者交叉验证，成本确实更高（多消耗2-3倍token），但质量提升是指数级的。
第二层：定位上，AI编程工具的终极价值可能不在"写"而在"审"。 当前市场上90%的AI编程产品都在卷"代码生成速度"，但Nolan的实践证明——一个能找出你代码里隐藏了三年bug的工具，比一个能在30秒内吐出500行模板代码的工具更有商业价值。
第三层：品牌上，"慢工出细活"可能成为差异化标签。 当所有AI编程工具都在宣传"10x productivity"时，如果有人敢说"我们让你写更少但更好的代码"，这在认知层面是降维打击。Socket（Nolan所在的公司）本身就是做代码安全的，这个工作流天然契合他们的品牌调性。
怎么开始：你今天就能用的三模型审查方案
第一步：准备你的审查Skill
在Claude Code中创建一个/pr-review skill，核心指令：
第二步：整合Matt Pocock的/grill-me
从GitHub（github.com/mattpocock/claude-skills）获取这个skill，它会让AI逐行"拷问"你对代码的理解程度。三模型审查帮你找到问题，/grill-me帮你确认你真的理解了这些问题。
第三步：建立"支线任务"习惯
当审查发现历史遗留bug时，不要跳过。创建一个小的子任务专门修复它。Nolan说得对：这会让代码库整体健康度不断提升。
行动建议
- 今天就试试：选一个你最近合并的PR，用至少两个不同的AI模型重新审查一遍。看看能发现什么你当初遗漏的问题。
- 建立审查Skill库：把Matt Pocock的18个skill作为起点，根据自己的技术栈定制审查规则（比如SQL查询必须有正确的索引、HTML/JSX必须可访问）。
- 设定"慢速PR"配额：每周至少有一个PR走完整的三模型审查流程。不需要每个PR都这样（token成本确实高），但关键模块的改动值得。
- 追踪指标：记下每次审查发现的bug数量和严重级别。三个月后回头看，你会对自己的代码质量进步有量的认知。
#AI风向 #AI编程 #代码审查 #ClaudeCode #一人公司
本文由AI辅助创作，经人工审核编辑发布