您的位置首页 >半导体 >

全网疯传Grok一姐教你如何月提交3000个PR

Grok 一姐 Lauren Tan(土豆姐)在 AI Engineer CODE 大会分享的这套方案,核心不是靠疯狂手敲代码堆 PR 数量,而是搭建一套以 AI Agent 为核心、强自动化校验兜底的开发流水线,她个人单月向生产环境合入 3000 个 PR,团队整体单月交付 11000 个 PR,撤回率仅 0.5%,在超高产出的同时稳住了线上质量,这套思路现在在开发者圈子里大范围传播。之所以能做到这么夸张的提交量,根源在于她改变了传统开发的重心,普通开发者把大量时间花在写自然语言规则、人工逐条审核 PR 上,而她采用 “信任倒金字塔” 思路,优先改造代码库、静态检查、自动化验证,人工审核放在最上层,Agent 每一次出错纠正,都固化成确定性规则,而不是往文档里追加文字说明,避免 AI 反复踩同一个坑,配合自动化模糊测试、自校验流程,很多 PR 可以在她休息的时候自动完成修复、提报、合并。下面把整套落地做法拆成清晰模块,方便直接对照理解。

一、底层代码库改造(最优先环节)

这是整套流程的地基,地基不稳,自动化只会批量产出劣质代码。

  • 清理项目里模糊、容易产生歧义的 API,直接禁用容易写出不可控逻辑的写法,例如 useEffect、临时定时器这类容易扩散复制的代码模式
  • 限制注释,项目里只保留极少必要注释,99% 注释全部移除,Agent 会模仿代码库里现有的写法,注释很容易被 Agent 当成标准惯例复制扩散,滋生大量同类问题
  • 统一编码范式,减少项目内写法分支,给 Agent 提供唯一、清晰的代码范本,降低 AI 自由发挥的空间

二、把纠错动作固化为自动化检查规则

这是整套方案的核心动作,也是拉开产出差距的关键。

  • 每次发现 Agent 写出错误代码,不要只在对话里口头纠正,优先转化成 Lint 规则、类型约束、单元测试
  • 规则优先级:代码级硬校验 > 运行时校验 > 形式化验证(TLA+、Lean)> 自然语言文档(AGENTS.md)
  • 持续迭代,随着 Agent 不断运行,错误持续收敛,校验规则越来越完善,后续同类错误会直接被拦截,不用人工反复干预

三、搭建全链路自动化验证流水线

验证才是敢大批量合并 PR 的保障,而不是代码生成能力。

  • 接入模糊测试 Agent,自动模拟真实用户操作,主动遍历页面、功能寻找 bug
  • 配置 UI 属性测试、运行时快照校验,自动采集运行指标,判断改动是否符合预期
  • 拆分窄 PR,每个 PR 只解决单一微小改动,改动范围越小,验证成本越低、风险越低,方便批量处理
  • 配置自动闭环:Agent 发现 bug → 自动生成修复代码 → 自动跑全套校验 → 校验通过自动提交 PR,满足条件直接合并

四、配套 Agent 工具与环境配置

  • 使用 pstack 插件,在 Cursor 环境部署,提供标准化 Agent 技能包,支持自动创建验证任务、剧本路由
  • 拆分独立验收通道,每个 PR 单独跑验证任务,互不干扰,支持后台长时间跑任务,夜间持续产出 PR
  • 调整工程师定位:工程师不再是逐行审代码的人,负责维护代码环境、校验规则、验证体系,做 Agent 的运维者

五、落地注意边界

这套方案是为 Grok Bot 内部成熟项目定制,有充足算力、专门的验证体系支撑,不是随便一个小项目直接照搬就能跑出月 3000PR。项目代码混乱、缺少测试、算力不足的情况下强行复制,只会带来大量线上故障。

按照这套流程持续打磨环境和校验规则,就能逐步提升 Agent 自主交付 PR 的比例,慢慢降低人工介入频次,实现高吞吐量的代码交付。

【相关 FAQ】

问题 1:Grok 一姐月提交 3000 个 PR,这些 PR 全部是人工写出来的吗?

回答 1:不是,Grok 一姐月提交 3000 个 PR 绝大部分由 AI Agent 自动生成、自测并提交,她本人主要负责维护代码规范、校验规则和验证体系,而不是逐行编写每一段代码。

问题 2:Grok 一姐这套月产出 3000 个 PR 的方案,为什么要禁用大部分代码注释?

回答 2:因为 Agent 会模仿仓库里现有的代码内容,注释很容易被 AI 当成项目标准惯例复制传播,滋生大量同类问题,去掉注释可以减少 Agent 获取到模糊信息,保证代码路径唯一。

问题 3:普通开发者能不能直接照搬 Grok 一姐的方案,实现月提交 3000 个 PR?

回答 3:很难直接复刻,Grok 一姐月产出 3000 个 PR 依托成熟代码库、全套自动化验证、充足 token 算力,普通项目缺少配套校验体系,强行照搬会带来很高线上风险。

问题 4:Grok 一姐团队 11000 个 PR 撤回率 0.5%,靠什么手段控制质量?

回答 4:不靠人工全量审核,靠把 Agent 历史错误转化成 Lint 规则、运行时校验、形式化验证、自动化模糊测试多层拦截,在 PR 合并前自动拦截错误。

【参考资料】

[2026-11-21](全网疯传!Grok 一姐教你如何月提交 3000 个 PR)量子位

[2026-11-17](Lauren Tan, 'All Code Is Slop (Except Mine)': 3,000 pull requests a month)The Independent AI

[2026-11-14](Lauren Tan: 11,000 Agent PRs a Month, 0.5% Reverted)TeamDay.ai

[2026-11-09](Grok 土豆姐的 Agent 实战经验,这套 Harness 已开源!)人人都是产品经理

[2026-10-30](月烧 1.5 万亿 token,年烧 1.32 亿美元?Cursor 工程师的账单,凡人只能仰望)InfoQ

【免责声明】

本文内容仅为公开技术演讲信息整理,Grok 一姐月提交 3000 个 PR 的成果是其团队内部成熟工程环境下的案例,不代表所有项目都可以复现;批量 AI 生成代码、自动合并 PR 存在线上故障、安全漏洞等风险,读者参考相关思路时,务必结合自身项目情况做好风险评估,自行承担落地产生的全部后果,本文不构成工程落地指导承诺。

今日大家都在搜的词: