一边报七成PR是Agent的，一边明拒AI代码：用AI提PR前，先把两个世界的规则读明白
9月1日这两天，AI编程圈的首页被两条方向完全相反的消息刷屏了。
一条来自 Uber：据 Uber Engineering 发帖、多个技术账号转述，Uber 内部超过 70% 的 PR 已经归属给本地或云端 Agent 名下，公司跑了 3600 多个 agent skill，每天执行超过 3 万次。小红书
另一条来自小红书热转的案例：SpaceX 工程师 Lauren Tan 上个月一个人提交了 1000 多个 PR——靠同时带 20 多个 AI 智能体干活。小红书
但在开源那边，传出来的是完全相反的声音：游戏引擎 Godot 官方明确宣布拒绝 AI 生成的代码和 PR 描述，理由是维护者正在遭遇"人类精神的拒绝服务攻击"；PS3 模拟器 RPCS3 更早颁新规，禁止自主 AI 智能体，提 PR 的人必须"完全理解、真正拥有"提交的每一行代码。
如果你正在用 Claude Code、Codex、Cursor 写代码，心里动过"顺手给开源项目提个 PR"或者"让 Agent 自己跑完整个流程"的念头，这两套规则的割裂，就是你现在最该搞清楚的事。因为它直接决定：你的 AI 产出，在这边是"先进生产力"，在那边是"被公开处刑的垃圾"。
先把时间线摆齐：这场撕裂不是一天两天的事
单条新闻容易带节奏，把最近 8 个月的事件排开，脉络其实非常清楚：
2月16日：Godot 维护者 Rémi Verschelde 在 Bluesky 公开抱怨团队正被"AI 垃圾代码"（AI Slop）冲击，称团队精疲力竭、士气低落。IT之家
5月11日：RPCS3 团队颁布新规：禁止自主 AI 智能体贡献，PR 提交者必须完全理解并真正拥有所有提交代码，同时在 X 上喊话"别再往我们项目里塞 AI 垃圾"。网易智能
5月下旬：国内爆出借 AI 刷 PR 的黑产玩法——据报道有培训机构收取 3 到 5 万元学费，教学生用 AI 工具批量生成低门槛、无意义甚至完全伪造的代码，向顶级开源项目发起"PRDDoS"，只要蒙混合并一次，就拿来当大厂面试的敲门砖。出版人周筠
7月2日：Godot 正式官宣拒绝 AI 生成的代码和 PR 描述，理由相当扎心：大量 AI 生成的 PR 看似逻辑通顺、实则充满低级错误，描述还极其冗长，严重消耗维护者时间。爱可可-爱生活
7月中旬：《金融时报》发深度报道警告：AI 编码工具普及后，开源仓库涌入海量低质量提交，维护者精力被完全消耗。微博
8月底至9月1日：Uber 的"七成 PR 归 Agent"数据和 Lauren Tan 的"单人千 PR"案例传播，企业侧的 AI 编程叙事走向高潮。
一边是"Agent 军团接管研发流程"，一边是"维护者拉闸拒收"。不是谁在演戏，是两边的成本结构根本不同。
拆掉三个最容易被带偏的误读
误读一：“70% 的 PR 是 AI 提的”＝“七成代码没人看就进了主干”。
错。按 Uber Engineering 的说法，人是还在审的，也会升级处理——70% 指的是"PR 的执行归属"变成了 Agent，不是审核环节消失了。小红书 他们的原话逻辑是"Agent 能提 PR，浪费的 token 是工程问题"：2 月到 8 月周活用户涨 7 倍、周请求涨 9.4 倍的同时，每千次请求成本从峰值降了约 34%、单会话成本从 6 月峰值降了约 52%。降本靠的不是降价，是把"零价值 token"砍掉——比如他们发现员工乱装 MCP，100 多个工具的说明书约 5 到 7 万 token 塞进会话、每轮重发，于是网关侧直接挂起 1000 多个 MCP 服务。这套动作的前提，是有人、有基准、有专门的治理团队在管 Agent 舰队。
误读二："一人 1000 个 PR"就是批量灌水的反面教材。
Lauren Tan 的案例被很多转述简化成了"手速神话"，但她自己给的关键句被忽略了：“验证不能保证 AI 写出好代码，但能保证它写出对的代码”。小红书 她的模式是把 20 多个 Agent 当下属管：分工说清、验收有标准、出错写进规矩喂回去。换句话说，1000 个 PR 的前提是一套验证流水线，而不是关掉脑子。
误读三："Godot 禁 AI"等于社区要回退古法编程。
也不准确。Godot 禁的是"不经验证的 slop"和冗长的 AI 味 PR 描述，不是禁工具本身。而开发者侧的真实状态早就不是二选一了：知乎"古法编程"相关问题浏览量跑到几百万级，高赞回答里最有代表性的一条是"我用 AI 写代码占比大概 90%，古法 10%——但调试和阅读 AI 代码的时间增加了 120%“。知乎 B站 Godot 视频的评论也一针见血：“AI 生成的代码小段拿出来都写得非常好，整一块就成克苏鲁了”。哔哩哔哩 禁的不是 AI，是"自己不读就交出去”。
算一笔账：为什么企业能玩，开源玩不起
这事的本质不是意识形态之争，是审查资源之争。把 Uber 那组数字拆开看就明白了：
Uber 有 3600 多个 skill、每天 3 万次执行、专门维护上下文图谱（据报道有 2400 万节点、8000 万边，接入 30 多个系统）、有托管 Agent 自己做代码审查、修 CI、跑带视觉校验的端到端验证。这套"Agent 工厂"的隐含成本，是公司掏钱建的自动化验收基础设施——PR 再便宜，机器验收能兜住。小红书
开源维护者有什么？《金融时报》那篇报道点得很透：现代互联网建立在开源生态之上，而绝大多数维护者是没有任何报酬的志愿者。这很盒里吧 一个 AI 十秒钟生成的 PR，对一个拿工资的团队可能只是流水线上的一个工单，但对一个义务维护者，意味着逐行阅读、跑测试、来回评论、拒绝时还得解释——当这种 PR 以百为单位涌入，就构成了 Godot 说的那种"DoS 攻击"。AI 把提 PR 的成本降到了零，省下的成本全部转嫁给了审稿人。 这就是撕裂的根源：生成侧免费了，审核侧却只有人工。
你该按哪套规则行事：对号入座的三份清单
如果你是准备拿 AI 参与开源贡献的开发者（这是最容易翻车的人群）：
动手前先查 repo 的 AI 政策。Godot、RPCS3 已经白纸黑字拒收；vLLM、React 这类热门项目评论区常年排着队没人理的 PR，新人第一次 PR 被冷处理是常态，不是针对你。
按 RPCS3 的尺度要求自己：被拒绝的每一行代码，你要能当场解释为什么这么写。解释不了的就是你的风险敞口，被 review 挑出来只是时间问题。
一次 PR 只做一件小事。12 万行的 AI PR 不是勤奋，是宣战——去年 opencut 那个 12 万行合并请求（3 万多行业务代码＋9 万行测试和注释）就是被社区挂出来讨论的反面样本。李楠或kkk
PR 描述自己写，砍到最短。Godot 这次连 AI 味的长描述都一起禁了，"冗长且看似专业"本身就是新的红旗。
改错别字、加注释刷绿格子的行为，现在会被直接归类为灌水。FT 报道里专门点了"刷 GitHub 绿格子、简历注水"这条链。微博
如果你是独立项目维护者：学 Godot 和 RPCS3 的作业，但先想清楚要哪种——全面禁 AI（省心，但会误伤认真用工具的人），还是"允许 AI、但提交者必须拥有代码"（对贡献者要求更高，需要你在 review 里真问细节）。最怕的是不写政策：模糊的态度换来的是 slop 全收、态度成本全自己扛。PR 模板里加一行"本 PR 是否包含 AI 生成代码、你如何验证"，是目前成本最低的筛子。
如果你是企业内 vibecoder：Uber 那篇帖子真正值得抄的不是 70% 这个数字，而是它的省钱路径——砍 MCP 乱装、code-mode 把"提交 SQL＋轮询 2 到 5 次"塞进上下文改成子进程跑 Python 只回摘要（小结果砍一半以上、批量砍九成）。小红书 个人用 Claude Code / Codex 也一样：工具说明书别全塞进上下文，让 Agent 交证据（自己跑一遍、把日志和结果甩给你），而不是交一句"应该好了吧"。
接下来盯什么
这套撕裂还在演化，几个明确的观察信号：一是还有多少重量级开源项目跟进 Godot 式禁令（B站已经有维护者喊"我也准备这样做了"）；二是 GitHub 官方会不会给 AI 生成的 PR 上标记机制——目前"是否 AI 生成"全靠自觉；三是 Uber 式"Agent 工厂"数据会不会成为企业标配叙事，反过来推高开源侧的防御成本。
一句话收尾：AI 编程正在分裂出两个世界——企业仓库里卷的是 Agent 的验收流水线，开源仓库里卷的是"你配不配提这个 PR"。工具可以一样，规则完全两套。先看清自己下一步要把手伸进哪个世界，再决定怎么提交。
