Claude Code 团队成员 Addy Osmani 最近在一篇有关代码审查的文章中提到，Anthropic 内部发生了一项显著变化：该团队约 90% 的代码现已由 AI 自动生成。从 6 月到 9 月，Claude Code 代码库中的合并请求数量增加了两倍以上，而回滚比例则下降了超过 40%。在更大的 Anthropic monorepo 中，日常代码变更从 5 月的约 2500 次增至 9 月的超过 3 万次。值得注意的是，软件工程的瓶颈正在转向测试、验证、评估、风险判断和质量控制等环节。尽管测试、CI/CD、安全检查等机制依然存在，但完成每一步的角色正在重新分配。

在代码审查过程上，Claude Code 团队并没有简单地增加人工审核者来跟上 AI 的代码生成速度，而是将审查过程分为多个验证层级。在创建合并请求前，Claude 会运行测试、构建和代码检查等，并提供结果。随后，一个具备新鲜上下文的子 Agent 将重新审查代码变更。进入合并请求流程后，代码还会经过 CI、AI 代码审查和独立的安全审查。其中，AI 审核者并非仅让一个模型查看代码，而是多个代理并行检查潜在缺陷，并交叉验证问题，过滤低价值或错误警报。人工审查依然存在，但更多是基于风险来分配。文档修改或被功能标志隔离的低风险变化可减少人工干预，而普通产品代码和敏感领域则需要更严格的审查。

在代码合并后，还会利用合并队列、渐进式发布、功能标志和快速回滚等机制进行后续保障。因此，Claude Code 团队优化的重点不再是“每行代码是否有人审核”，而是“改动可能出现错误的地方”、以及“哪些检查最能发现这些问题”。这标志着思维方式的重大转变。

Anthropic 的方法实际上与许多已有的软件工程实践相似。众多机制如测试、CI/CD和安全审查并不是 AI 时代才出现的。改变在于将每一步的任务重新分配给人类和 AI。过去，CI/CD 是根据预设规则机械执行，现在，AI 代理能理解任务、审查代码、调用工具和分析测试结果。一个代理负责写代码，另一个负责审查，测试系统提供反馈，而风险管理则交给 AI 代理，最终需要判断的部分由人类处理。这也意味着，工程师的角色并未因 AI 的介入而消失，反而向更高层面过渡，需更关注项目的合理性、架构界定、可接受风险以及问题的责任归属。

AI 代码生成的增多促使了对“Harness Engineering”的关注。Claude Code 的代码审查方法体现为一种典型的 Harness 问题。这一过程中并未完全依赖模型的智能，而是通过测试、审查代理、安全检查、风险分级和发布机制，将代理放置于一个能够约束、验证并纠错的系统中。然而，Harness 并非终点。当系统能验证任务的完成后，新问题随之而来：测试结果、审查反馈和用户意见能否再次输入系统，以使代理自动调整、重新执行，从而持续提高质量？这种思考开始向“Loop”转变，任务进入系统后，代理执行，测试和评估反馈再为系统规划，直到达到预定目标。

因此，AI 编程的工程重点正在演变：从 Prompt Engineering 转向 Context Engineering，再至 Harness Engineering 和最终的 Loop Engineering。技术路线的背后，实则在于软件研发的新模式正在重塑。