GitHub 如何用堆叠式 Pull Request 拆解 AI 生成的巨型代码

事件核心：发生了什么

GitHub Blog 发布技术文章，由工程师 Julia Muiruri 撰写，主题是应对 AI 生成代码带来的审查困境。文中举例：开发者让编码代理为购物助手添加“产品搜索”功能，几分钟后返回的往往是一个超过 1700 行、混杂数据模型、API 路由、前端 UI 和异常处理的巨型 Pull Request。Gartner 预测这类编码代理到 2028 年将在软件开发生命周期各阶段带来约 50% 的生产力提升，但 GitHub 认为，如果不改变代码交付结构，这种效率会直接转化为审查灾难。

文章提出的解决方案是“堆叠式 Pull Request”：将一个功能按依赖关系拆成多层——例如底层是产品数据模块，依次叠加搜索 API、聊天接入层和 UI 状态层——每一层都是独立、可审查的小型 PR。GitHub 已为这项能力提供原生支持，开发者可通过 GitHub 网页端的堆叠 PR 入口操作，也可以安装 gh stack 命令行扩展来管理整个提交栈。

为什么重要

过去一年，AI 编码代理从“写代码片段”进化到“独立交付整个功能”，但协作流程并没有同步进化。单体巨型 PR 的问题不是新问题，AI 让它变得更普遍：模型默认按传统代码库模式一次性产出完整实现，结果是一个难以阅读、充满冲突、耗时数周才能合并的 PR。堆叠式 PR 提供的不只是工具，而是一种与 AI 协作的分工方式——让数据负责人审数据层、后端负责人审 API、前端负责人审 UI，每个审查者只需要理解一层逻辑，上下文损耗显著降低。

如果这种模式被广泛采用，它可能改变 AI 编程工具的默认输出策略：从“生成一个完整功能”转向“生成一个小而完整的依赖步骤”，从而让 AI 生成的代码真正进入企业级审查流程，而不是绕过它。

对用户/开发者/创作者的影响

对日常使用 GitHub 的开发者来说，这篇博客给出了一个可落地的操作框架：接到复杂功能需求时，先拆分数据、API、业务逻辑和界面，再按依赖顺序建立分支，而不是一次性开大 PR。gh stack 扩展则解决了手工同步多个分支的痛点，避免“改一个底层 PR 就要手动更新后续所有 PR”的维护负担。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对团队管理者而言，堆叠式 PR 让不同角色参与审查变得可行——数据模型由数据团队把关，用户体验由前端负责人验收，减少“谁都不愿审大 PR”的集体拖延。目前公开信息显示，该功能已在 GitHub 原生支持，开发者不需要额外付费即可尝试。对于刚接触 AI 编码代理的独立开发者，堆叠式 PR 同样值得学习：小 PR 更容易发现问题，也更容易在出错时单独回滚。

值得关注的后续

首先，观察 GitHub 是否会将“堆叠式 PR”能力延伸到 Copilot 代码评审等自动化环节，让 AI 代理既能生成代码，也能按分层结构自动创建 PR 栈。其次，关注 GitLab 等竞品是否会跟进类似功能——堆叠式 PR 的需求是行业普遍的，目前 GitHub 在这方面领先。第三，留意 gh stack CLI 的社区反馈：它能否真正降低跨 PR 依赖管理的心智负担，决定了这种工作流是流行还是停留在少数团队。

来源：GitHub Blog