Claude 寫了 80% 代碼，Anthropic 發現了新的瓶頸，不是評審而是…

隨著 AI 輔助程式開發越來越普遍，從自動生成片段到完整函式庫撰寫，開發流程的每個環節都開始面臨前所未有的壓力。人工智慧公司 Anthropic 近期就在大量使用自家大型語言模型 Claude 來產生程式碼的過程中，發現了一個出乎意料的效率瓶頸——而這個瓶頸，並非多數人直覺認為的「程式碼審查」。在 Claude 貢獻了約 80% 的程式碼之後，Anthropic 的工程團隊觀察到，真正的卡點其實來自下游的持續整合（CI）系統。當開發者愈來愈仰賴 AI 代理來提交變更，CI 的工作負載便開始以指數級別成長，導致管線堵塞、等待時間拉長，最終拖慢整體開發節奏。

AI 寫程式愈多，CI 就愈容易成為瓶頸 傳統觀念中，程式碼審查（Code Review）往往被視為開發流程中最耗時也最難自動化的環節。然而 Anthropic 的實際經驗顯示，當 AI 能夠自主生成高品質程式碼，並且多次迭代、頻繁發起合併請求（Pull Request）時，審查本身反而因為自動化工具的輔助而變得相對快速。真正的挑戰，反而出現在程式碼被批准後、準備整合進主線的階段。具體來說，隨著開發團隊中同時運作的 AI Agent 數量增加，以及 Pull Request 獲准的速度加快，觸發的 CI 任務量會呈現指數級成長。

每一次程式碼合併都需要跑過編譯、測試、靜態分析、安全掃描等一系列流程，而這些任務的疊加效應很快就會壓垮原本僅為人工作業頻率設計的 CI 基礎設施。Anthropic 的警示：兩個季度內負載膨脹 25 倍 針對這一現象，Anthropic 工程團隊提出了相當具體的量化建議。他們認為，任何正在導入或已經大規模使用 AI 輔助開發的團隊，都必須正視一個殘酷的現實：CI 系統的負載在未來兩個季度之內，很可能會膨脹到現有規模的 25 倍。這個數字並非危言聳聽，而是基於他們自身在 Claude 高滲透率下的真實數據推估。

因此，Anthropic 建議，無論團隊是選擇自行建置 CI 管線，還是採用第三方雲端服務，在 v0 版本的初始設計階段，就應該預留 10 到 20 倍的容量餘裕。只要預算允許，寧可一開始就大膽配置資源，也不要等到系統被衝垮後才被動擴容。此外，團隊也特別提醒，應避免以單一實例來運行關鍵 CI 服務，並設法將系統狀態與處理程序分離，如此才能在面對突如其來的流量尖峰時保有容錯與橫向擴展的能力。開發注意力轉移：從「寫程式」到「管流程」 這項觀察背後反映出的更大趨勢是，當 AI 生成程式碼成為常態後，開發團隊的注意力重心必須從「如何寫出正確的程式碼」轉移到「如何讓程式碼的整合與部署流程順暢運作」。

過去大家習慣把 CI 管線視為一種輔助工具，只要設定好基本的測試與建置腳本，就能應付日常開發。但在 AI 代碼生成率達到八成以上的環境中，CI 管線的吞吐量反而直接決定了開發效率的天花板。Anthropic 的經驗對於正處於 AI 轉型期的企業與技術團隊來說，提供了一個極具參考價值的實務教訓。如果不能在架構初期就為指數級成長的 CI 任務做好準備，等到問題爆發再來補救，不僅成本更高，更可能嚴重打亂產品上市時程。換句話說，CI 基礎設施的規劃，已經不再是後勤支援的層級，而是直接影響 AI 輔助開發能否真正落地的關鍵環節。

從被動擴容到主動規劃的思維轉變 過去許多團隊在設計 CI 系統時，往往以當前開發節奏為基準，再加上一些緩衝就上線。但 Anthropic 的發現清楚指出，在 AI 代理的協助下，開發速度與程式碼提交頻率並非線性成長，而是呈現指數曲線。這意味著傳統的「先上線、再觀察、後擴容」策略可能完全跟不上實際需求。具體做法上，除了預留 10 到 20 倍的初始容量，Anthropic 還強調了架構設計上的兩大原則：一是避免單點故障，關鍵服務不該只跑在一台機器上；二是將狀態與處理分離——例如透過外部佇列、物件儲存來管理任務狀態，讓計算節點可以隨時增減而不失資料。

這些做法在大型分散式系統中早已是常識，但在 CI 領域卻經常被忽略，尤其是當團隊規模還不大、大家覺得「用踩得動」的時候。總結：AI 時代的開發效率，關鍵在整合管線 Anthropic 的案例再次提醒我們，AI 輔助開發的最大價值在於加速程式碼產出，但這份加速若要真實轉化為產品交付速度，就必須讓後續的測試、整合、部署環節也能同步跟上。Claude 寫了 80% 的程式碼固然令人驚嘆，但若 CI 系統無法承接這股洪流，開發者終究得在等待管線清空的時間裡浪費寶貴的生產力。對其它正在擁抱 AI 輔助開發的組織而言，與其被動地等到 CI 成為瓶頸才開始應對，不如現在就重新審視自己的持續整合架構。

畢竟，當你的 AI 助手能在一小時內產生十個 Pull Request，而你的 CI 系統卻要花半小時才能跑完一個任務時，整題效率就會被拉回原點。真正的瓶頸，已經從人腦變成了管線。