# 一个月三千个 PR 的前提：Lauren Tan 把 agent 的错改成代码检查

> SpaceXSI 工程师 Lauren Tan 在 2026 年 AI Engineer Code Summit 说，她一个月让约 3,000 个 PR 上线，Grok Bot 全队约 11,000 个，全队 revert 率约 0.5%。她说在这之前，花了约半年调整 agent 的工作环境：agent 重复犯错时，先改代码库和自动检查，最后才加文字规则。这篇对照原始来源，补回两则热门帖子里三个数字的前提：一个月 3,000 个 PR、多 agent 强 90%、一周做出浏览器。

- Author: Paul Kuo（郭曜郎）
- Date: 2026-11-19
- Pillar: 智能与秩序 / Intelligence & Order
- Tags: Lauren Tan, AI 写代码, AI Agent, Lint, 形式化验证, Grok Bot, 多 Agent
- Canonical: https://paulkuo.tw/zh-cn/articles/agent-mistakes-into-checks/
- Language: Simplified Chinese (简体中文)
- Translation: AI-translated from the zh-Hant (Traditional Chinese) original
- Original (zh-Hant): https://paulkuo.tw/articles/agent-mistakes-into-checks.md
- Site index for LLMs: https://paulkuo.tw/llms.txt

---

> **TL;DR**：SpaceXSI 工程师 Lauren Tan 说，她在演讲前一个月让约 3,000 个 PR 上线，Grok Bot 全队约 11,000 个，全队 revert 率约 0.5%。她给的做法是一座信任金字塔：agent 犯错时，先改代码库、写确定性检查、补验证，最后才在规则文件加一句话；她也说，这个速度是在约半年的环境工程之后才做到的。转发这场演讲的热门帖子大致抓到重点；比较容易误读的，是它引用的长文开头那两句：多 agent 强 90%、Cursor 一周做出浏览器，原文都有前提。

11 月 15 日，X 上一则英文帖子介绍了 Lauren Tan 的演讲：agent 每犯一个错，就变成一条 lint 规则，不是一句 prompt；agent 用视频、截图和测试验证自己的成果；结果是一个月 3,000 个 PR 上线；她的代码库现在干净到 agent 会自己合并大部分的 PR。我 11 月 19 日读的时候，这则[帖子](https://x.com/undefinedKi/status/2121706023950090340)显示约 500 万次浏览。

帖子引用了同一位作者两天前的长文〈[How to build an AI agent swarm that works without you](https://x.com/undefinedKi/status/2121240442406605251)〉，开头两句是 Anthropic 的 agent 团队赢过单一 agent 90%、Cursor 一周做出浏览器。两则放在一起读，很容易读成：多开几个 agent，让它们自己跑，产能就会爆炸。

我把演讲视频、官方讲稿页，还有被引用的原文都翻了一遍。演讲在讲的，是先把让 agent 不容易出错的环境盖好；这两则帖子里最醒目的三个数字，在原文里各有前提。

这篇是「[智能与秩序](/zh-cn/topics/ai/)」系列的一部分。

## Lauren Tan 是谁？〈All Code Is Slop (Except Mine)〉在讲什么？

Lauren Tan 网名 poteto，是 SpaceXSI 的 Principal Engineer，属于 Grok Bot 的核心团队。SpaceXSI 是 SpaceX 旗下的 AI 部门，前身是 xAI；Grok Bot 是他们做 AI 队友的产品，桌面版是一个 Electron 应用程序。她之前是 Meta React 核心团队的成员，参与过 React Compiler，2026 年初曾加入 Cursor。

2026 年 11 月 11 日，她在旧金山 AI Engineer Code Summit 的主舞台讲了〈All Code Is Slop (Except Mine)〉。slop 在 AI 圈常指大量产出、质量粗糙的东西。原始资料可以看[官方讲稿页](https://ai.engineer/code/2026/talks/lauren-tan)和[演讲视频](https://www.youtube.com/watch?v=O_zcc6Xl12g)，视频约 17 分半。

## agent 犯错时，修正该放在哪一层？

她把让 agent 写出可信代码的工作排成一座倒过来的金字塔。最宽的一层在最上面，越宽的层，是她认为工程师时间越该投资的地方。由上往下是：

1. **代码库本身**：API 设计、架构、重构。
2. **不靠模型判断的检查**：lint、类型、编译器、测试。
3. **验证**：让 agent 把代码跑起来测的运行时验证，以及形式化验证。
4. **文字规则**：AGENTS.md、rules、skills 这类要靠模型判断的说明。

最下面的尖端是人工审查，越往尖端，成本越高。

很多人用 AI 写代码，遇到 agent 犯错，第一个反应是在 prompt 或规则文件多写一句「不要这样做」。她把顺序倒过来，理由是代码库是 agent 最大的输入：代码里留着的权宜写法，下一轮 agent 会当成既定惯例照抄。她拿园艺来比喻：2024 年她要审的，是同事写的三个 PR；到这场演讲时，接近 300 个。所以每次纠正 agent，她会先问两件事。能不能变成一条确定性检查，让它犯错的当下就被拦下？更好的是，能不能从设计上把错误的选项拿掉，让这种错根本写不出来？

文字规则没有消失。需要判断、写不成检查的事，还是留在这一层。转发帖子说「每个错都变成 lint，不是 prompt」，少了这个前提。

![四格漫画：agent 犯错时，修正该放在哪一层？遇到 agent 犯错，第一个反应是在 prompt 或规则文件多写一句「不要这样做」代码里留着的权宜写法，下一轮 agent 会当成既定惯例照抄。每次纠正 agent，她会先问：能不能变成一条确定性检查，让它犯错的当下就被拦下？更好的是，能不能从设计上把错误的选项拿掉，让这种错根本写不出来？两个都做不到，再写进规则文件。](/images/articles/agent-mistakes-into-checks/01-which-layer-zh-cn.svg)

## 她怎么把错拦在代码里？

她举的问题多半是在 Cursor 看到的，Cursor 和 Grok Bot 一样是 Electron 应用程序；解法则做在团队替 Grok Bot 做的框架 Dune：

- **禁用容易用错的 API**：产品代码不准用 React 的 `useEffect`，只有指定的框架 API 可以用。她的理由是，agent 一再用不好这个 hook 需要的判断。官方讲稿页也注明，这是团队本地的架构选择，并没有主张这个 hook 一律不该用。
- **用目录和 lint 画边界**：在 Cursor，agent 曾把主进程的代码 import 进界面进程。Grok Bot 把主进程和界面进程分在两个明确命名的顶层目录，依赖分析工具和 lint 规则禁止两边互相 import。
- **少写注释，多写 lint**：同样在 Cursor，agent 曾用 `setTimeout`、`requestAnimationFrame` 这类计时器，硬补命令式和声明式写法之间的冲突，再写一段注释替权宜写法辩护。Grok Bot 团队后来禁掉大约 99% 的注释，改用 lint 规则，错误消息直接告诉 agent 去修根本原因。

agent 重复犯同一个错时，她的顺序是先写一条 lint，拦住新的错误写法，再回头清掉旧的例子，免得下一个 agent 照着抄。

人审 PR 的方式也跟着变。她说审查已经缩小成看 agent 交出来的验证产物：视频、截图、图表，以及形式化验证的结果。agent 会通过 Chrome DevTools Protocol 操作运行中的应用程序；TLA+ 用来检查多设备通知的设计，Lean 用来证明一个虚拟化算法的性质，另外还有属性测试式的 UI 测试。这些她都当成实验和初步成果在讲，也说形式化方法有前景，但不是万灵丹。

她自己大部分的 token 都花在验证上，不是花在写代码上。她也引了同事 Cindy Sridharan 的说法：每天约 70% 的 token 用在验证。

## 我自己踩过的版本：被拦下的 agent 换了一条路

我不是工程师，但这个顺序我在自己的流程里遇过两次。

第一次是设置 Grok 当审查员。[我在 Mac 上限制它不能写文件](/zh-cn/articles/ai-ambition-is-infrastructure)，它被拒绝之后，改用 shell 试着从另一条路写入，最后被 macOS 的沙盒拦下来。后来我替它叠了三层只读限制：工具清单只开放读取类工具，权限规则封锁写入和命令行，最底层再由沙盒拦一次。一层被绕过，还有下一层。对照 Lauren Tan 的金字塔，第一道限制拦住了它原本的写法，没拦住它换的路；最后拦下它的，是最后一层的沙盒。

第二次是改稿。我曾把五类检查[接进送稿前的脚本](/zh-cn/articles/de-ai-method)：对比句型、破折号、顿号连发、短句连发，以及预设的填充词，让脚本把可能要回看的地方集中标出来。

但脚本也有管不到的地方。它标出的是可能要回看的句子，不是改稿的命令；语意、语气和经验是不是真的，还是我自己核对。工具能帮忙找问题，不能替我确认一段没有发生过的故事是真的。我把这读成金字塔最后还要留着文字规则和人工审查的理由：我这支脚本能标出句型，标到的不一定都是问题，也确认不了事实。

写这篇的时候，我把自己累积的 74 条纠正记录照这个分法排了一遍，也请 codex 根据摘要独立排了一次。两边对过之后，17 条的文字现在就能删，因为检查已经写好，或那条规则的前提已经不在了；23 条可以改写成检查；34 条只能留在文字里，大多是判断、授权和写作声音。

排完之后我比较在意的是另一件事：有三处我以为已经在把关的检查，验的是错的版本。例如原文改过之后只重翻一个语言，另外两个语言的旧译会被记成已经更新。这三处还没修，是下一步要做的事。我的读法是，排在金字塔前面几层的检查，自己也要有人回头验。

## 澄清一：三千个 PR 背后，被省略的半年和 0.5%

演讲里的数字是这几个：

- 她**个人**在演讲前一个月约 3,000 个 PR 上线。
- **Grok Bot 全队**同一个月约 11,000 个 PR 上线，10 月约有 227 人至少贡献过一个 PR，稳定版客户端大约每天发一次。
- 全队 revert（合并后又撤回）的比率稳定在约 0.5%，演讲没有给她个人的比率。[较完整的讲稿整理](https://ai.engineer/talks/O_zcc6Xl12g-all-code-is-slop-except-mine)注明，这只算被撤回的 PR，后来另开 PR 修掉的 bug 不算在内。

帖子写的 3,000 个没错，漏掉的是两件事。一是她说自己花了约半年调整 agent 的工作环境，才习惯这个速度，而且这半年是在任何「软件工厂」式的自动化之前。二是那 0.5%。我读下来，数量敢放大，靠的多半是前面盖的检查和验证；只看数量，看不到这一层。

帖子还写到，她的代码库现在干净到 agent 会自己合并大部分的 PR。演讲里的说法是 agent「可以」自己合并大部分的 PR；官方讲稿页把它写成一个条件：纠正一条条变成检查和设计之后，要审的东西少到某个程度，就可以让 agent 自己合并。目前确定在跑的自动合并是另一条流程：每次发版之后，有一个 Cursor 项目会像真实用户一样操作整个 build，找到 bug 就开修正 PR、自动合并。她也说，多数上线的产品代码已经不需要人深入审查。

她还说了一句我想记下来的话：如果内圈的编程循环产出的是 slop，把它自动化只会产出更多 slop。

这些数字都是她在台上自己报的，我没找到第三方核查。官方讲稿页也写明，这是团队自报的成果，不是对照实验，不能证明别的代码库也会一样；讲稿页里也没有这些 PR 的大小、类型，或总共用掉多少 token。

## 澄清二：「agent 团队强 90%」比的是什么？

这个数字出自 Anthropic 2025 年 6 月的工程文章〈[How we built our multi-agent research system](https://www.anthropic.com/research/multi-agent-research-system)〉，精确值是 90.2%。常被省略的前提有三个：

- 比的是 Anthropic **内部的研究型评测**：Claude Opus 4 当主 agent、带几个 Claude Sonnet 4 子 agent，对上单独一个 Opus 4。
- 这是查资料、做研究这类可以平行拆开的工作，**不是写代码的评测**。
- 同一篇文章写到，多 agent 系统约用掉一般聊天 **15 倍的 token**；而且多数写代码的任务，能真正平行拆开的部分比研究少。

同一篇文章里有两个 90%。另一个是并行化让复杂查询的研究时间最多缩短 90%，那篇长文的正文用的是这一个。

公平地说，那篇长文的正文写得比开头谨慎。它有一整段讲什么时候不该用一群 agent：引了 15 倍 token 这个数字，也引了 Google Research、Google DeepMind 和 MIT 的研究〈[Towards a Science of Scaling Agent Systems](https://research.google/blog/towards-a-science-of-scaling-agent-systems-when-and-why-agent-systems-work/)〉。这份研究发现，多 agent 协调在能平行拆开的任务上有明显帮助，在循序的任务上反而变差。作者也建议先用一个 agent 试，结果够好就停。被放大的主要是开头那两句。这篇长文在 X 上标示为 Paid partnership，也就是付费合作内容，文末写明由 AI 员工服务 Viktor 赞助。

## Cursor 一周做出浏览器，证明了什么？

这件事部分是真的。Cursor 在 2026 年 1 月的〈[Scaling long-running autonomous coding](https://cursor.com/blog/scaling-agents)〉写到，他们让 agent 从零写一个浏览器，跑了将近一周，写出超过 100 万行代码，分布在 1,000 个文件里。agent 分成三种角色：规划者持续探索代码库、拆出任务，执行者专心完成任务，评审在每一轮结束时判断要不要继续。Cursor 原文写的是数百个 agent 同时在跑；Simon Willison 在[他的文章](https://simonwillison.net/2026/jan/23/fastrender/)里记录，高峰时大约 2,000 个。

「一周」要加注。据 Simon Willison 整理的对谈，将近一周是截至 Cursor 发文时最长的一次连续执行；整个研究项目大约三周，在那之前，它是 Wilson Lin 2025 年 11 月开始的个人 side project，先用单一 agent 做。「从零」也要打点折扣：agent 自己引入了 Taffy、QuickJS 等现成的软件包。他们也容许 agent 留下小的暂时性错误，用正确性换吞吐量。

但它是研究实验。Simon Willison 那篇文章整理自他和项目作者 Wilson Lin 录的对谈，Wilson Lin 在里面说，他们从来没打算把它做成正式上线或可以用的软件；当时 JavaScript 是关掉的：引擎还在实现，一个 agent 先把它放到功能开关后面。它证明的是 agent 能长时间协作，不是这样做出来的东西可以直接用。

## 先盖环境，再谈放手

把三件事放在一起看，我读到的共同点是：AI 写代码的产出数量可以放大到很夸张，但每一个放大都有前提。Lauren Tan 的数字，据她说前面是半年的护栏工程；Anthropic 的 90% 比的是适合平行拆开的研究任务，多 agent 本身也比一般聊天多用约 15 倍 token；Cursor 的浏览器是实验。

这个月初我写过 [Thorsten Ball 的十五条 Agent 工作习惯](/zh-cn/articles/delegate-to-agents-what-counts-as-proof)，其中一条说不必再担心 agent 堆出杂乱代码。当时我的读法是，他能不担心，跟他的工作条件有关。Lauren Tan 这场演讲把这类条件摊开来了：代码库的边界、拦得住错的 lint、agent 自己跑的验证，还有花在验证上的大部分 token。一个说别担心 slop，一个说所有代码都是 slop，我读成同一件事的两面。

这跟我在〈[想让 AI 做更大的事，先把抓错的机制搭好](/zh-cn/articles/ai-ambition-is-infrastructure)〉写的是同一条线，Lauren Tan 多给了一个答案：错要拦在哪一层。

下次 agent 又犯同一个错，先别急着在规则文件加一句话。先问这能不能写成一条测试或 lint，让它犯错的当下就被拦下来；再问能不能换一种写法，让这个错根本写不出来。两个都做不到，再写进规则文件。

规则文件写得越长，越值得回头看看，哪几行可以交给代码。
