AI时代的开源维护者日记
如果你正在维护一个开源项目,你会发现,如今的Pull Request队列与两年前已大不相同。
我是SwiftTerm的维护者,这是一个开源的终端模拟器库,至今已有七年历史。据我估算,目前大约有80%的PR都涉及到AI工具的参与。回顾这段历程,这一变化并非一蹴而就,而是分阶段逐步呈现的。
坦诚说明:作为一个经常写出充满拼写错误英文博客的墨西哥人,我会请Antigravity帮我润色文字并精简重复的内容——正如我妻子常提醒我的那样。
第一阶段:凭感觉编码的创可贴与Fork实验
在人们开始向我的仓库提交AI辅助的PR之前,我会偶尔浏览GitHub的网络图谱,看看有哪些Fork出现,用户在挣扎着什么。早期我发现最多的是一种“vibe coding”现象——人们在用一些根本错误的思路修补问题,只是在深层终端状态bug之上贴了一层表面功夫。
遇到这种情况,即使开发者没有成功提交修复方案,为了帮助所有用户,我也会亲自完成功能实现或Bug修复。
有一次我在某个Fork中发现,有人显然释放了一个自主智能体,试图快速解决所有开放问题。幸运的是,他们最终并未真正提交这些PR——可能只是实验性质。如果不是我好奇地浏览网络图谱,也不会发现这一切。但翻阅那些提交记录后的结论很明确:这些修复不值得合并,它们只解决了表象症状,却不懂系统本质。
“提示词搬运工”的崛起
伴随着早期的浪潮,一种新的开源原型也随之而来——许多社区不得不面对的角色:Promptsplainer(提示词搬运工)。
有些人非常渴望参与项目改进,LLM确实开启了新大门,但他们缺乏基本的协作礼仪。
Promptsplainer的典型行为是:向LLM提出问题,得到一段自信满满的解释或冗长的补丁后,就认为自己可以推翻积累数十年之久的领域专业知识。他们并不真正理解代码库中的底层特性、竞态条件或协议边界情况。当资深维护者指出问题时,他们不会去研究代码本身,而是直接复制维护者的评审意见粘贴回聊天窗口,然后把机器人吐出的下一段回复原封不动地贴回来。
你不需要每天被大量的Promptsplainer淹没才能感受到伤害。即便只是偶尔 encounters,也足以让一个维护者怒火中烧——而且理由充分。
第二阶段:”发送补丁”终于成真
过去一年来,最大的变化在于质变:AI生成的修复方案从完全错误或敷衍了事,变成了大致方向正确的合格成果。
要理解这对我意味着什么,必须回想几年前开源库维护的真实状态。那时候,我会收到源源不断的Bug报告——如果我有空闲时间、有足够的耐心、孩子们早早入睡、Netflix片单也清空了,我才会坐下来修复那个Bug。
几十年来,开源社区面对用户抱怨时,有一个半开玩笑半无奈的标准回应:“欢迎提交补丁”或“发个PR吧”。但我们心里都知道,大多数人不会这么做,因为从零开始切入复杂代码库的难度太高了。 unpaid volunteer work、缺乏专业背景和沮丧情绪交织在一起,形成了完美的风暴。
和我一样,许多人见证了从收到Bug报告到收到详细PR的转变。对此,我个人深表感激。
我对 incoming contributions 的哲学归结为一点:每一个PR都代表了一个在真实场景中捕获到的痛点。这意味着一个真正的用户在日常工作中遇到了问题,追踪到了这个Issue,找到了可行的解决方案,并且痛苦到愿意花时间来打包并提交上游。
作为维护者,这比我自己在Issue列表中堆砌的愿望清单要有价值得多。哪怕实现方案还需要完善,至少有人给了我一个真实世界问题的证明,以及一个具体的修复起点。
把智能体放在我的评审一侧
问题在于,许多编码模型和智能体仍然有直接执行修复的习惯——走最短路径让测试通过,却不去审视整个库的架构。并非每个贡献者都学会了如何针对深度工程评审来调优他们的智能体,也不是每个人都有条件接触最好的模型。
AI生成代码的第一遍往往需要打磨,这没关系。就像我们花了数年掌握编程语言、调试器,甚至编写m4宏一样,我们现在也需要培养有效使用AI工具的能力——学会引导它们、验证它们的假设、审核它们的输出。
对我来说,构建这种能力的方式是把AI放在我自己的一侧来弥合差距。在我甚至懒得逐行阅读贡献者的补丁之前,我会虔诚地在Claude中输入/code-review,在ChatGPT中输入/review。
这些评审流程 routinely 能捕捉到远比狭窄语法细节更多的东西——它们会暴露真正的架构缺陷、微妙的API破坏、罕见的副作用以及终端兼容性問題,这些问题若由我手工追踪可能要花费数小时[2]。
有了这些反馈,我可以向贡献者指出具体的架构改进方向——或者,如果有人开了一个关键Bug的PR后消失,我可以直接清理他们的分支并自行合入。
有些维护者抱怨,评审这些PR感觉像是在和一个把反馈复制到远程LLM的人对话。但我们始终在与另一端的人类沟通。这给了我们一个难得的机会:不仅指导贡献者如何负责任地使用这些工具,更能在我们整个行业中推广更好的工程实践。鉴于顶级推理模型的经济学对于所有 casual open-source 参与者来说并非理想,我很乐意由我来承担这一侧的费用,只为让我的库保持健康。
一刀切规则的摩擦
这让我想到了为什么我一直在以同情且略带担忧的心态关注GNome和Godot等大型项目的AI政策辩论。
在Godot那样的巨大规模下,保护志愿者Reviewer免受未经审查的提交和偶尔出现的Promptsplainer侵扰,是完全可以理解的本能反应。没人希望自己的Netflix时间被作者根本没理解的drive-by code吃掉。
挑战在于,围绕代码编写方式划定硬性界限,不可避免地会给那些已经在做架构重担的经验丰富的贡献者制造摩擦。最近,我尝试向Godot提交一个小规模的、经过生产验证的Bug修复作为试探性方案——这大约是60到80个改进项目中的一个。
关注微信号:智享开源 ,及时了解更新信息。
还没有任何评论,你来说两句吧!