结论先行:不要用"读一遍代码"来验收 AI 写的代码。读代码验收的极限是你个人的注意力和善意,跑命令验收的下限是机器的诚实。

转述不可信

执行 agent 的汇报链路是:它写了代码 → 它形成了对代码的印象 → 它把印象讲给你。每一跳都有失真。它不是故意撒谎,是"我觉得测试过了"和"测试真的过了"之间隔着一条执行记录的鸿沟。

这条链路还有个更隐蔽的失真源:执行范围和验收范围经常不一致。coder 说"测试全绿",往往指它跑过的那几个测试文件;你的 DoD 指的是整个构建加全量测试。两个范围的差集里,藏着的正是编译错误、配置缺漏、跨模块回归。范围不一致时转述必然失真,跟态度无关——这不是靠信任能解决的问题,只能靠换验收介质。

还有一层乐观偏差:模型对自己刚写出的代码有天然的确认倾向——它按自己的理解写的,检查时也按同一个理解读,错误在这个闭环里是自洽的。第三方的价值不在于更聪明,而在于带着不同的预设进来。跑命令是把"第三方"换成机器:机器没有预设,只有执行。

验收方式下限由什么决定典型失真
读代码验收人的注意力与情绪看走眼,放过熟悉模式里的错误
听转述汇报方的执行范围范围错位,印象替代事实
跑命令命令本身的确定性只有命令设计不当一种

DoD 必须是命令

验收标准不许写成"功能正常"“逻辑正确”,必须写成:

./gradlew clean build -x test   # 期望 exit 0
curl -sf http://127.0.0.1:8080/health   # 期望 200

主模型终验 = 原样重跑这些命令拿退出码。零解读空间。

写 DoD 命令有个容易踩的坑:命令要覆盖改动面,不是覆盖"最常用的那条命令"。改了 mapper XML 就要有能暴露 XML 语法错误的构建,改了接口契约就要有一条真实打过去的核心路径请求。一条打不中改动面的命令,跑绿了也是假安心。

DoD 命令还要满足两条工程性质:可重复——同样的代码状态跑两次结果一致,不依赖测试环境当天的偶然状态;无副作用——终验命令本身不改数据、不留脏状态,否则验收动作变成新的风险源。带副作用的验证命令再准也不许进 DoD。

DoD 写法问题可跑的替代
“功能正常”无法执行curl 命令 + 期望状态码
“逻辑正确”零信息单测命令 + exit 0
“代码质量好”主观构建 exit 0 + diff 范围与清单一致
“基本可用”状态模糊冒烟清单逐条带退出码

终验协议

主模型终验固定三步:跑 DoD 命令拿退出码;对 git diff --stat 核对改动文件集合是否与说明书清单一致;抽查 diff 内容里有没有清单外的顺手改动。三步全是机器可判定的动作,全程不向 coder 求证"你确定没问题吗"——这个问题的答案永远是"确定",没有信息量。

三步里最省事也最容易被省掉的是第二步:核对文件集合。文件集合不对意味着改动面失控——多出来的文件可能是顺手改动,缺的文件可能是漏改,两种都要在打回单里说清楚,而不是靠下一个环节兜底。

终验失败打回时,随单附上的不是"没过,你自己看看",而是失败的命令原文加输出关键行。coder 拿到证据而不是评价,修复就有了确定起点;这份失败记录同时留在说明书文件里,下一次重派自动带上——同一个坑不会因为换了个 agent 再踩一遍。

无测试的存量代码怎么办

不是所有项目都有测试覆盖。妥协方案是测试环境自测留记录:在测试环境实际操作一遍,把操作时间、账号、结果截图或日志行号留档。它比不上自动化测试,但比"我看了,没问题"强一个量级。

留记录的关键是证据要指向可复查的位置:日志行号、请求样本、接口返回的留存文件。三个月后有人质疑这次改动,记录要能支撑一次重放,而不是只剩一句结论。

同时要警惕自测记录变成永久方案。它证明的是"这一天它是好的",不是"任何改动之后它还是好的"。所以每条自测记录都附带一个追问:这个操作能不能写成一条脚本或一个测试用例?能写的进 backlog,暂时不能写的写明原因。留记录是止血,自动化才是根治。

## 自测记录(无自动化测试时的替代)
- 时间:2026-XX-XX 14:30,测试环境
- 账号:test-ops
- 操作:按 3 种查询条件组合各执行一次列表查询
- 结果:返回结构与改造前留存样本一致;慢查 SQL 未再出现
- 证据:应用日志 L1203-L1210;请求样本存 samples/xxx.json

测试红的定义权

最后一条纪律:测试红着 = 任务未完成,没有"基本完成,测试回头再修"这个状态。允许这种状态存在,它就会成为所有半成品的收容所。

这条要连带管住两个变体:“注释掉失败的断言让它绿"和"跳过暂时跑不过的用例”。前者是造假;后者要么写进说明书变成明确的范围裁剪,要么修到绿——唯独不能混在"绿"里蒙混过去。定义权收回来之后,“完成"这个词才重新有了含义。

从汇报博弈的角度看这条纪律更清楚:如果"基本完成"是合法状态,汇报者永远会选它——它比"未完成"体面,比"完成"安全。禁止中间态不是苛刻,是收窄选择空间:当只有"绿"和"红"两个词可用时,红才藏不住。

真实场景

有一次 coder 回报"测试全绿,可关单”。终验我先跑构建再跑单测:构建第一步就红了——coder 只跑了它改的那个模块的单测,主模块的一处编译错误根本没进入它的执行范围。它没有撒谎:在它的范围内,测试确实全绿。当时我的第一反应是追加追问"你确定吗",话到一半意识到这个追问没有意义,改成了直接重跑命令。这次之后我把 DoD 从"跑测试通过"细化为两条命令分开报退出码——构建一条、全量单测一条——并在说明书里写明"终验以主模型重跑为准"。事后复盘,这条教训的本质是:转述里的每个词都有它自己的范围,“全绿"也不例外;命令的价值就在于把汇报者的范围和验收者的范围钉成同一个。我还看到了自己的一方责任:那份原始说明书只写了"测试通过”,范围模糊是我亲手留的。顺带一个从那以后固化下来的动作:DoD 模板里的命令一律分行、每行后面注明期望值,收单时逐行过。这个仪式看着笨,但它把验收从一次模糊的印象变成一组离散的判定——判定可以失败后重来,印象不行。

检查清单

  • DoD 全部是命令,每条带期望退出码或状态码
  • 命令覆盖本次改动面,不只是最常用那条
  • 终验三步:跑命令、核对 diff 文件集合、抽查清单外改动
  • 不向 coder 求"你确定没问题"式的口头保证
  • 无测试代码走自测留记录,证据指向可复查位置
  • “注释断言"“跳过用例"一律按未完成或范围变更处理,不当绿