Socket工程师Nolan Lawson在个人博客"Read the Tea Leaves"发表文章，分享了一种反直觉的AI编程工作流：用AI写更好、但更慢的代码。他主张，LLM极为灵活，不仅能快速生成代码，也能帮助写出质量更高但速度更慢的代码。

Lawson指出了一个常见误解：许多人认为AI编程的目的就是尽快吐出低质量的代码——快速打开巨大的PR，不经验证就合并。但实际上，用AI写高质量代码需要一种完全相反的策略：慢下来，反复审视。

他的核心做法是：让多个AI模型（Claude、Codex、Cursor Bugbot）同时审查PR，分别找出关键级、高优先级、中级、低级的bug，汇总后再做人工核实。这种多模型交叉审查的方式能显著减少幻觉和虚假bug。审查完成后，由主agent按优先级逐一修复：先清掉所有关键和高优先级bug，再判断中低级bug是否值得处理，如果整个方案从根本上就有问题就放弃这个PR。

Lawson特别提到了Anthropic的Mythos模型，表明LLM agents非常擅长发现bug——当足够多的模型审视同一个代码库时，发现的bug多到开发者几乎不知道如何处理。但问题的关键不在于找到bug，而在于优先级排序和验证虚假警报。他的Claude skill正是围绕这一洞察构建的。

文章中一个有趣的观点是：使用这种工作流后，代码审查往往会发现许多早就存在于代码库中的历史bug，Lawson最终会在这些支线任务上花时间补充单元测试和修复隐患。这与"10倍生产力"的slop-cannon式开发（slop = 粗制滥造；cannon = 猛烈输出）截然不同，但他认为这非常令人满足——既改善了代码库整体健康状况，又加深了对代码库各个角落的理解。

Lawson还建议开发者使用Matt Pocock的"/grill-me"技能让AI详细追问整个PR的来龙去脉，或者让AI生成Mermaid图表来解释代码逻辑，最终达到对整个PR从开头到结尾都了如指掌的程度。他坦言：按照这种方式编程，在原始代码行数上未必"更有生产力"，可能烧掉大量token后发现整个方案从一开始就方向错了。但他认为，这是一种比LMM时代之前他就已经在尝试的编程方式更强大的版本：谨慎、严谨、追求质量、为下一个维护者着想。

原文链接：https://nolanlawson.com/2026/05/25/using-ai-to-write-better-code-more-slowly/