top of page

Sashiko Code Review 公布其 Linux 成果

25 分鐘前
讀畢需時 12 分鐘
Image from the source report. Source: cloud.google.com.

Google 於 11 月 18 日公布 Sashiko 程式碼審查的結果,指已審查 241,000 個修補程式,但是否讓變更納入 Linux,仍由人類維護者作最終決定。報告探討一個已在核心開發中運作的代理式系統,即引導 AI 模型執行調查任務的軟件。其核心問題在於信任:自動化審查是否能減少不確定性,還是只會新增另一條由機器生成主張組成的待處理隊列?

Linux 核心是管理硬件及共享資源的作業系統組件,所要求的不只是看似合理的程式碼。建議的變更必須配合周遭行為,並維持其他組件所依賴的假設。無論修補程式由人還是 AI 助手編寫,維護者都必須評估這些關係,壓力亦因此落在他們身上。

Anthropic 的 Claude Code 提供了一個有用的比較,因為它同樣把審查視為獨立的工程任務。真正的競爭不在於產生更多變更,而在於能否提供足夠證據,讓人可負責任地評估它們。Sashiko 的結果令這個分別變得具體,但現有證據對不同結論的支持力度並不相同。

Sashiko Code Review 超越發布故事

這份 11 月報告描述的是累積的部署經驗,而非一個新項目的推出。

Google 在其 Linux 審查結果中列出超過 75 個已選擇加入的子系統郵件列表。它亦表示,已有超過 2,000 個主線提交歸功於 Sashiko,以及 2026 年內 528 宗 Linux 核心 CVE。主線是主要開發樹;CVE 則是公開收錄安全漏洞所獲分配的識別碼。

這些數字描述的是不同成果。審查數量衡量的是活動,而提交歸屬則把報告與獲接納的開發工作連繫起來。漏洞識別碼記錄的是安全事項,並非嚴重程度或暴露風險的統一衡量方式。把這些數字加總,反而會掩蓋各自真正能證明甚麼。

值得注意的轉變,是由吸引人的示範,走向一套審查、回饋及修正的運作系統。一個具說服力的示範可以展示模型發現精心挑選的缺陷。真正運作的服務還必須處理一般修補程式、反覆修訂、分歧意見,以及最終證實為錯誤的報告。

這項分別改變了評估標準。找出細微缺陷固然重要,但辨識令缺陷成立的條件同樣重要。維護者需要足夠脈絡,才能分辨必要的修正與推測性的異議。否則,報告只是轉移調查工作,而非完成它。

例如,對某個物件生命週期的警告,不能只指出一行可疑程式碼。它還要解釋該物件何時失效,以及哪一條執行路徑仍會存取它。缺少這個連結,讀者必須重建整套論證,才能決定是否採取行動。

同一原則亦適用於令人安心的結果。一份沒有發現問題的報告,只能說明某個特定流程未能識別甚麼;它不能證明所有相關行為都已得到充分審查。當開發者開始把自動批准視作可以減少自身投入注意力的許可時,這個分別尤其重要。

因此,Sashiko 程式碼審查應作為開發流程的一部分來評估。它的價值取決於其輸出能否協助人們就特定變更作出更佳決策。完成審查的數量證明其規模,但那些審查是否有用,取決於後續工作。

讀者亦應把機構採用與技術確定性分開看待。社群可以認為一項工具有用,同時繼續質疑其個別結論。這種組合是健康的:持續使用提供了發現弱點的機會,而受控示範很少能揭露這些問題。

已報告的活動量令 Sashiko 值得仔細研究,但並沒有免除逐項按各自標準檢視每類證據的需要。

維護者需要每個修補程式帶來更少不確定性

自動化審查者若能減少作出穩健決策所需的工作,便算成功。

直接壓力落在維護者及貢獻者身上,他們必須在變更能夠推進前處理審查意見。即使沒有人接納,不準確的警告仍會消耗注意力。即使警告正確,若其說明未能指出相關條件,亦可能造成不必要工作。

這帶出偵測與實用性之間的重要分別。偵測問的是系統有否注意到問題;實用性問的是其報告能否讓人理解、重現、駁回或修復問題,而毋須重複整個調查過程。

假設某個驅動程式修補程式便可說明這個落差。假設審查者懷疑某條錯誤路徑忘記釋放資源。當報告指出配置行為、失敗的操作,以及跳過清理的退出路徑時,才算可付諸行動。含糊地要求檢查資源處理,幫助就小得多。

維護者仍須判斷建議的修正是否適合該子系統。修復局部症狀可能干擾另一條路徑,或違反既有慣例。自動化發現只是該決策的輸入,而非取代決策本身。

Linux 的 AI 貢獻指引明確規定人類責任。人類提交者必須審閱 AI 生成的程式碼,並為其貢獻承擔責任。AI 代理不能提供 Signed-off-by 標籤所代表的人類認證。

這條界線之所以重要,是因為協助與問責的運作方式不同。工具可以調查程式碼,卻不會承擔提交程式碼所附帶的責任。它的存在並不免除貢獻者理解其要求他人接納之變更的責任。

對工程經理而言,實際含意是:生成輸出並非完整的生產力指標。更多建議變更,只有在組織能夠評估及維護時才可提高產出。否則,表面的收益會出現在上游,成本卻在下游累積。

同樣道理適用於自動化審查意見。不斷增加的意見數量,可能代表審查更完善、重複的不確定性,或過度報告。若沒有衡量結果,系統便會被鼓勵產生看得見的活動,而非有用的判斷。

更有力的評估,應檢視發現是否附有足夠證據,讓貢獻者可有效率地回應;亦應追蹤維護者是否反覆駁回同類主張。這些模式揭示看似能幹的審查者在哪些地方仍依賴人類完成推理。

這正是維護者回饋必須納入品質流程的原因。分歧意見可識別遺漏的假設、誤導性的脈絡,以及警告其實描述預期行為的情況。若把每次駁回都視為抗拒,便會丟失改進系統所需的資訊。

這亦帶來知識管理上的影響。關於擁有權、清理及子系統慣例的說明,應在討論結束後仍可被找到。一個可搜尋的知識庫可協助團隊保留這些脈絡,而程式碼審查則決定特定變更是否遵守它們。

因此,所需的回應既是組織層面的,也是技術層面的。採用自動化審查的團隊,需要從機器發現走向人類解決方案的清晰路徑。沒有這條路徑,更快的分析仍可能令接納隊列停滯不前。

驗證必須同時挑戰漏洞與駁回結論

最強的設計選擇,是對令人安心的結論及警報同樣要求證據。

Sashiko 的公開審查流程把專門分析與後續驗證分開。其文件列出的範圍包括執行流程、資源處理、鎖定、安全及硬件行為。鎖定協調對共享狀態的存取;資源處理則追蹤物件及配置在其可用生命週期中的狀況。

該流程會同時考慮疑慮與已被駁回的疑慮,然後逐一調查尚未解決的發現。這種結構承認,審查者可能在提出問題時出錯,也可能在判定問題無害時出錯。兩個方向都值得審查。

設想一項涉及共享狀態的變更。最初的審查者注意到一次存取似乎沒有明確的鎖;另一名審查者則判定呼叫者必然已持有需要的鎖。決定性的問題在於實際呼叫者,而非哪個解釋聽起來更熟悉。

若這個假設未經核實,該駁回結論可能掩蓋真正缺陷。相反,若每個相關呼叫者都提供必要保護,最初的警告便會帶來可避免的工作。無論在哪個方向,證據都必須解決分歧。

這種對稱性比單純要求更多代理提供意見更重要。多個代理可能重複相同、未獲支持的假設。只有當共識來自相關調查,而不是對程式碼可能如何運作的共同預期時,才有幫助。

分開調查角色亦會建立更清晰的失敗紀錄。最初分析是否遺漏了問題?驗證是否錯誤地駁回它?最終報告是否誤述了條件?即使可見結果同樣是遺漏漏洞,這些也是不同的工程問題。

儲存庫亦描述了分層脈絡:經源碼驗證的筆記、維護者指引及審查程序。這些各有不同用途。程式碼可揭示當前行為,而維護者可解釋單從實作較難推斷的慣例或限制。

當指示與實作互相矛盾時,這項區別尤其重要。某項慣例可能描述程式碼已不再遵守的預期行為;某項實作則可能維持一般指示忽略的兼容性要求。審查者需要識別衝突,而不是默默選擇最支持其初步結論的來源。

這對代理設計而言是更廣泛的教訓。提供更多脈絡不會自動帶來更佳調查。脈絡必須有助回答相關問題,而系統亦必須區分觀察到的事實與假設。

這個機制亦有經濟層面的含意。獨立檢查會消耗額外運算資源,尤其在它們審視周邊程式碼而不只改動行時。任何效率主張,都需要把這筆開支與其避免的人類調查工作一併考慮。

根據項目說明,公開 Sashiko 服務獲得 Google 資助的運算及模型資源。本地部署則涉及自身的資源決策。審查架構與為特定部署提供資金的安排,應分開評估。

這些機制均不等同於形式驗證,即以數學方式證明指定性質成立。檢查儲存庫及模型推理可以提供有用證據,但不能確立全面正確性。使用「驗證」一詞不應抹煞這項區別。

不過,架構上的啟示仍然明確。審查者應展示其如何得出結論、保留重要的不確定性,並讓缺乏支持的否定意見清晰可見。即使底層模型仍有可能出錯,這些特性也會令錯誤更容易受到質疑。

Claude Code 面對相同的審查壓力

彼此競爭的審查系統愈來愈需要說明,為何其發現值得團隊投入注意力。

Anthropic 於 2026 年 10 月 15 日正式全面推出其自動化程式碼審查。其更新強調較精簡的審查、簡明扼要的發現,以及為個別儲存庫選取的審查深度。Anthropic 亦提到客戶希望輸出更少、更安靜。

這些優先事項提供了有用的競爭背景。審查產品不能無限期依賴展示其偵測到錯誤的亮眼案例。它必須配合接收輸出的團隊之工作節奏和容忍度。

Sashiko 與 Claude Code 服務的環境不同,因此其主張並不能建立直接的效能排名。Kernel 郵件列表審查與由組織管理的儲存庫審查,涉及不同的工作流程、慣例及部署安排。比較孤立的標題數字會掩蓋這些差異。

共同面對的壓力更具參考價值。兩種方法都必須決定一項變更值得多少調查,以及一項發現應包含多少細節。調查太少會削弱信心;輸出過多則可能令重要發現更難辨識。

獨立觀察亦令對 Sashiko 過度樂觀的解讀變得複雜。LWN 編輯 Jonathan Corbet 在 10 月 5 日的修補程式審查評估中,描述了它在 kernel 開發中已確立的角色。他的說法亦指出大型變更的審查較弱、會虛構錯誤,以及重複審查不斷出現新發現所帶來的挫折感。

這種組合比起一概否定或毫無保留的支持,都提供了更可信的圖像。一項工具可以作出有用貢獻,同時在對開發者重要的方面仍存在不一致。獲得採用並不會令這些弱點變得無關緊要。

重複審查尤其能揭示問題。一項改變了的發現,可能反映出有價值的新調查,也可能暴露不穩定性。特別是當被審查的程式碼維持不變時,貢獻者需要理解結論為何改變。

這並不意味每次執行都應產生完全相同的措辭。它意味著重要差異值得獲得解釋。否則,開發者可能學會反覆進行審查,直至收到偏好的答案,削弱流程的價值。

大型變更帶來另一項評估挑戰。一個在聚焦修補程式上表現良好的系統,當一系列變更改動多項互相影響的假設時,可能會遇到困難。若評估主要包含較簡單的例子,整體準確度可能掩蓋這項弱點。

因此,競爭問題應聚焦於真實條件下可靠的行為。審查者是否識別觸發路徑?它是否區分新引入的問題與既有問題?開發者能否質疑其前提,並獲得相關回應?

買家亦應檢視產品如何表達不確定性。一項發現可以指出某項特定條件仍未獲驗證,而非把推測呈現為已確認的缺陷。這項區別有助團隊分配注意力,而不假裝系統知道得比實際更多。

業界比較最終加強了本文的核心張力。生成程式碼和生成審查意見,都不足以衡量進展。更困難的成就,是產生能協助負責任的人接受或拒絕一項變更的證據。

Google 的數字需要分開解讀

部署數量、歷史基準測試及發佈結果,回答的是不同問題。

Google 表示,在 Linux 7.2 中,獲合併的變更在 60 天內收到後續修正的比例,已由歷來的 3.4% 降至 2.2%。這相當於下降 1.2 個百分點,或較基準低約 35%。Google 承認還有其他因素會影響這些數字。

這是一項觀察性比較,意味著它追蹤結果,卻沒有以實驗方式隔離單一成因。發佈內容、審查實務及提交變更的類型,都可能影響結果。所報告的下降並不能確立 Sashiko 獨立貢獻了多少。

後續修正亦是一項可觀察的開發事件,而非缺陷的完整清單。有些問題仍未被發現、較遲才獲修正,或產生難以分類的記錄。這項指標之所以有用,正是因為其限制仍然清晰可見。

基準測試的主張需要以不同方式理解。Google 報告,使用高推理強度的 Gemini 4 Carbon,其歷史錯誤集的偵測率為 75.8%。這項結果涉及特定的系統配置及資料集,而非所有 kernel 缺陷。

該專案的基準測試方法記錄了一套包含 999 個項目的完整測試套件。它使用 AI 評審,將審查發現與已知問題描述作比較。其文件亦區分不同基準測試類型的評分行為,包括如何處理部分偵測結果。

這種透明度容許更有根據的審視。審查者可以問何謂偵測、哪些案例納入分母,以及未完成的執行如何影響結果。單一標題百分比本身無法回答這些問題。

歷史評估亦不同於實時開發。回溯資料集從已知缺陷及問題出錯方式的描述開始。實時審查者則必須判斷一項普通的擬議變更,是否真的包含任何值得報告的問題。

這產生了同時評估沉默與偵測的需要。一個積極報告的系統,可能識別更多已知錯誤,卻會在無害變更上製造過多工作。一個甚少報告的系統,可能看似安靜,卻漏掉重要問題。

任何一種行為都不會因單一準確度數字而變得令人滿意。評估需要包括已確認缺陷、被否決的警告、遺漏的問題,以及有用的無問題審查案例。這種平衡決定維護者能否取得可用資訊。

提交紀錄中的鳴謝及漏洞記錄增加了另一種觀點,但仍需謹慎解讀。它們有助將審查者與開發結果連結起來,卻不能提供已避免缺陷的完整計數,亦不是安全效益的統一量度。

因此,Sashiko 程式碼審查提供了值得認真看待的證據,但尚未解決有關有效性的所有問題。目前最有力的結論是,它參與了真實開發,值得持續量度。關於整體生產力或因果改善的主張,需要額外證據。

這項區別保護有用工作,免受誇大期望所傷害。若一項工具與超出其數據支持範圍的主張掛鈎,往後的失敗可能掩蓋真正的貢獻。精確報道為改善留下空間,而不會把每項結果都變成對 AI 本身的公投。

關注可重現性、工作量及可遷移性

下一批有用證據應把技術表現與使用它所需的人力工作連結起來。

未來三個月,首個值得關注的訊號是可重現的評估。已公布的結果應列明模型、系統版本、提示、資料集及評分規則。獨立重跑或經仔細記錄的複現,將提升人們對改善能否超越精選示範的信心。

相反,無法解釋的分數變動會削弱不同版本之間的比較。更好的模型、改變了的資料集和不同的評審,都可能改變結果。讀者需要足夠細節,才能辨識實際改善了甚麼。

第二個訊號是維護者的工作量。應尋找有關被否決發現、重複警告、處理解決所需工作,以及貢獻者能否無須重新建立調查便可根據報告採取行動的證據。這些結果令評估更接近系統原本打算處理的瓶頸。

相關問題是,審查流程是否變得更容易處理。更多被接納的發現會支持這個論點,但減少不必要的調查同樣重要。一個提升偵測能力卻壓垮接收者的系統,呈現的是另一種取捨。

這個訊號應包括困難案例。大型變更、修訂過的修補程式及有爭議的發現,會揭露例行範例可能掩蓋的弱點。來自這些情況的證據,將加強對可靠運作的信心。

第三個訊號是超越 kernel 的遷移能力。Sashiko 的儲存庫列出其他成熟度不同的專案設定檔。設定檔的存在不應被視為等同持續的生產使用或已驗證的效能。

具說服力的結果,應把另一個專案的領域指引與其維護者提供的評估及回饋配對。這將支持審查方法可跨越原始環境的論點。僅僅在其他地方執行軟件,只能證實較狹窄的事實。

這些訊號亦為企業讀者建立實用框架。可重現性測試技術主張,工作量測試營運實用性,而可遷移性測試通用性。三者均不要求假定自動化審查者能為一次發佈承擔責任。

對個別開發者而言,眼前的含意是保留協助與接受之間的區別。機器生成的疑慮可以證明調查有其合理性,而機器生成的無問題結果可以為優先排序提供參考。兩者都不能取代理解所提交變更的需要。

閱讀未來 Sashiko 程式碼審查結果時,應牢記這些區別。請問證據顯示的是更佳偵測、更少審查工作,還是更安全的已發佈軟件,因為這些結果需要不同支持。除了備受稱頌的發現,也要檢視被否決的發現,並確認基準測試比較是否保留相同規則。當工具給出無問題結果時,查看它實際檢查了哪些假設和路徑。當它提出警告時,尋找令警告可付諸行動的具體條件。開發者和維護者面對的決定仍然很具體:這份報告是否有助解決這個修補程式的不確定性?評估下一個版本時,應使用這個問題,而非把另一份生成的審查本身視為進步。

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page