https://jiajia.fun/qa/05d03513-%E8%AE%B2%E8%AE%B2%E8%BF%99%E4%B8%AA-x-com-2122590683055993308

# 讲讲这个https://x.com/addyosmani/status/2122590683055993308

Addy Osmani（现在在 Anthropic Claude Code 团队）今天刚发的一篇长文，讲他们团队在约 90% 代码都由 Claude 编写和审查的规模下，怎么搭验证体系。 核心判断很直接：能同时开几十上百个 Claude 并发干活，靠的不是人去逐行盯 Diff，而是强验证闭环。人的角色从「看代码」变成「定义什么是完成，然后看验证证据」。 测试投入上，他最推崇三类最难被模型糊弄的测试： 第一是 E2E，给 Agent 配真实的手和眼（Chrome 扩展、模拟器、CDP 等）去跑真实用户流。单测全绿但功能照样坏的情况太多了，E2E 要么通要么挂，还能直接截图指出哪里碎了。 第二是属性测试（Property tests，比如 fast-check、Hypothesis），定义好不变量、幂等性、往返编解码这些硬约束，让测试库生成成千上万个边界输入去撞。这招专门治「模型写代码和写测试带同一种偏见」的毛病。 第三是差分测试，大型迁移或重构时拿旧系统当基准，同一批输入跑两边看结果差异。 他们团队在 Repo Harness 里落地的几条机制也挺实在： 1. 仓库里直接配 verify skill，放在离对应代码最近的地方，专门教模型怎么启动服务、跑模拟器、做冒烟测试。提交前自己先跑通，连续修三轮还挂就停下来拉人介入。 2. 维护一份按 Diff 触发的可靠性清单（他们攒了 39 条，每条带触发条件和历史事故背景），每次审查只挑命中的 3 到 10 条来查，不用把所有历史教训全塞进上下文里。 3. 审查规则和待审代码必须物理隔离：Code Review 永远从默认分支读 REVIEW.md，不读当前 PR 里被改过的版本，防止模型修改代码时顺手把裁判标准也改了。 4. 提交门禁和验证戳：每次 commit 都会打上是怎么验证的标记（没验证就标 none），门禁先用 observe 模式观察误报，再切 enforce 拦截没跑 verify 或 review 的提交（同一会话连续拦两次会放行，防止死锁）。 5. 拿历史故障反向评测审查器本身：用过去导致回滚和事故的 PR 建固定测试集，单独测初筛、复核、终审各阶段的召回率，看有没有把已经发现的 bug 给漏掉。漏掉的共性问题（至少在两个 PR 里出现过）才沉淀进 REVIEW.md，而且定期清理过期测试和规则，防止文档和测试套无限膨胀。 整篇看下来，他们本质上是把「验证层」当成一个独立系统在维护和迭代，而不是写几个 prompt 祈祷模型自觉。
