我每天让 Agent 写代码:FDE 闯关游戏、25 个在线产品、官网文章,不少改动是 Agent 交上来的。Agent 交活时最爱说「做完了」。这句话很便宜,信它很贵。我只看它拿出的证据。验收分两道门,一道是 Claude Code 团队刚公开的验证方法论,一道是我自己的质量门 skill。

第一道门:让 Agent 用证据自证

Claude Code 团队 11 月 16 日发了一篇复盘,标题就是 How the Claude Code team thinks about verification。他们团队大约 90% 的代码由 Claude 写、由 Claude 审。人看不过来 diff,只能让 Agent 自己拿出证据:找独立评分器按标准再查一遍,内部测试里任务成功率最多提高 10 个点。

他们最看重三类测试。端到端测真实用户流程:加购物车、下单、到确认页,链路通了才算通,单元测试全绿也可能功能是坏的。属性测试先写一条「绝不可能破」的约束,比如账户余额永远不能为负,再用 fast-check 这类库生成几千个输入去撞它。差分测试是新旧系统拿同一批输入各跑一遍,结果不一样就是 bug 或破坏性变更,适合大规模迁移。

光有测试还不够,他们给验证本身立了规矩:每人给自己的代码写一个 verify skill,放 .claude/skills/ 里,提交前先跑;检查连续三轮修不好就停下来找人;评审规则 REVIEW.md 只能从 base 分支读,改动本身改不了判自己的标准;提交打上验证戳,没验证的标 none,方便事后查。漏掉的 bug 要变成规则:同一个问题至少在两份 PR 里出现过、能从 diff 里认出来,才配进规则库,还要派三个 Agent 去证伪,最后人点头才进。

第二道门:我自己的质量门,数字卡死

Claude Code 那套是大厂的打法,我一个人维护 25 个产品,用的是更小的一套,源头是 Robert C. Martin 的 ub-mode(GitHub 8,021 星,MIT 协议)。我只摘了它两道数字门,挂进已有的「需求确认单 → TDD → 评审」链路里。

第一道是 CRAP 分数:每个函数 CRAP 必须小于 10,公式是 CRAP = 复杂度² × (1 − 覆盖率)³ + 复杂度。复杂度 5、零覆盖,CRAP 是 30,严重超标;同样复杂度 5,覆盖率 80%,CRAP 约 5.2,过门。压分只有两条路:拆函数降复杂度,或者补测试升覆盖率。复杂度用 radon(Python)或 lizard(JS/TS 等)量。crapper 工具我没装,数值是近似值,报告里写清口径。

第二道是变异抽查,只做核心逻辑:计价、权限、判分、状态机、数据变换、格式解析。每个核心函数挑 3 到 5 个点,人为改坏代码再跑测试:改比较符、边界 ±1、删关键赋值、反转条件、改返回常量。测试必须变红才算把变异「杀死」;全绿就是变异存活,说明这函数的测试是摆设,打回补测试。查了哪个函数、几个点、存活几个,写进报告,不许只写「已抽查」。

还有五条补充原则,评审时顺手扫一遍:质疑前提、先删后加、幂等、边界校验、根因而非遮罩。处置分级:核心逻辑超标或变异存活是「重要」,暂缓要写明理由和期限;一般代码超标先记「建议」,同一函数反复超标升为重要。只查本次改动触及的函数,存量老代码不追溯。

两道门其实是一件事

两边说的是一件事:验证层本身也要被验证。规则不能被改动改掉,近似值要标口径,漏网的要变规则。Agent 说做完了,我只看三样东西:跑了什么测试、结果是什么、数字是多少。没有这三样,「做完了」就是一句空话。同一条标准也用在我自己身上:FDE 游戏的关键作品验收,必须在对话里按清单逐项验,自报勾选不算。做 AI 落地这行,交付物就是信任,信任只能拿证据换。

来源

Claude Code 团队《How the Claude Code team thinks about verification》,2026-11-16:claude.dev 原文

unclebob/ub-mode(MIT 协议,8,021 星):GitHub 仓库

我的质量门 skill(改编自 ub-mode):~/workspace/custom-skills/quality-gate/SKILL.md;Claude Code 方法论由 FDE 资料雷达 2026-11-18 上午档收录。