專欄 › 八、安全與 AI 協作 › 第 33 篇
AI 工作流接進團隊流程:PR 審查、CI 與人工把關
Bringing AI Workflows into the Team Process: PR Review, CI and Human Gates
把 AI 代理放進團隊的開發流程:從工單、規劃、寫程式到 PR 審查,哪些可以交給 AI、哪些只能由人或機器規則決定;用 CI 關卡、分支保護、最小權限與版本化提示守住品質,再誠實地量測效果。
這篇的步驟
上一篇〈用 Claude Code 開發 Go 微服務:規則、權限與安全審查〉談的是一個人在自己的電腦上怎麼安全地使用 AI 代理:CLAUDE.md、權限規則、hooks、子代理與先寫測試的流程。這篇把範圍擴大到整個團隊:當每個人都可能交出一部分由 AI 寫的程式碼,PR、CI 與審查流程要怎麼調整。
這篇要解決什麼
一個人用 AI 代理,出錯時影響的是自己的分支;整個團隊用,出錯的程式碼會進到主分支、進到正式環境,影響所有人。團隊導入 AI 時常見的情況有兩種極端:一種是完全不管,每個人用自己的方式,審查者不知道哪些程式碼是怎麼來的;另一種是過度相信,讓 AI 審查取代人工審查,或讓 AI 自動合併「看起來沒問題」的 PR。
這篇要建立的是中間那條路,回答這些問題:
- 在「工單 → 規劃 → 寫程式 → 測試 → 審查 → 合併」這條線上,AI 適合放在哪裡?
- CI 裡的 AI 審查怎麼設定?它可以決定什麼、不可以決定什麼?
- 哪些關卡一定要是機器規則(測試、
go test -race、govulncheck、lint),哪些一定要是人? - CI 裡給 AI 用的 token 要多少權限?提示裡可以放什麼、不能放什麼?
- 提示(prompt)怎麼像程式碼一樣版本化、可以重現?
- 怎麼誠實地量測導入 AI 的效果,而不是憑感覺或編數字?
- AI 寫的程式碼,出了問題誰負責?
這篇只談開發這一側——從工單到合併。部署自動化與正式環境的問題排查,留給下一篇。範例延續訂單系統(example.com/shop)的 repo,CI 以 GitHub Actions 示範,概念同樣適用於其他 CI 系統。
第 1 步:先畫出 AI 在開發生命週期裡的位置
把一張工單從開始到合併的每個階段列出來,逐一問:這一步的產出是什麼?出錯時誰會發現?AI 在這裡是「產生草稿」還是「做出決定」?
圖:AI 主要出現在規劃、寫程式與審查建議;決定是否合併的,是必過的 CI 關卡與人工核准。
| 階段 | AI 可以做 | 誰做決定 | 怎麼發現錯誤 |
|---|---|---|---|
| 工單 | 把模糊的需求整理成驗收條件、列出不清楚的地方 | 產品負責人與工程師 | 規劃會議 |
| 規劃 | 讀程式碼、找出要改的位置、提出做法與風險 | 負責這張工單的工程師 | 計畫審查(plan 模式的輸出) |
| 寫程式 | 先寫表格驅動測試、再寫實作 | 工程師決定要不要接受 | 測試、CI |
| 測試 | 補邊界案例、寫整合測試 | 工程師與審查者 | 審查時看測試是否涵蓋需求 |
| 審查 | 指出可能的錯誤、安全問題、遺漏 | 人工審查者 | 審查者逐項驗證 |
| 合併 | 不參與 | CI 關卡+人工核准 | 分支保護 |
這張表的關鍵在「誰做決定」那一欄:沒有任何一列是 AI。AI 的角色是讓每個階段的草稿來得更快、更完整,而每個決定點都有明確的人或機器規則負責。這也對應到上一篇的原則:AI 寫的東西是草稿與線索,不是結論。
圖:左邊是 AI 可以產出的草稿與建議;右邊的決定只能由人,或由明確的機器規則做出。
把這條界線寫進團隊的開發規範,比任何工具設定都重要。界線不清楚時,最常發生的是「責任擴散」:寫的人以為 AI 審查過了,AI 審查以為有人會看,審查者以為 CI 會擋,結果沒有人真正看過那段程式碼。
第 2 步:工單與規劃——把需求寫成 AI 與人都能驗證的樣子
AI 代理最容易出錯的地方,不是寫程式本身,而是對需求的理解。一張只寫「取消訂單要釋放庫存」的工單,人會去問細節,AI 往往直接選一個看起來合理的解讀。所以導入 AI 之後,工單品質反而更重要。一張好的工單至少要有:
- 背景與目標:為什麼要做,做完之後使用者或系統會有什麼不同。
- 驗收條件:可以直接轉成測試的具體條件。例如「pending 訂單取消後狀態為 cancelled,並發出
OrderCancelled事件」「paid 訂單不能直接取消,回傳 409」「別人的訂單回傳 404」。 - 範圍外:明確說不做什麼。例如「這張不處理退款,退款另開工單」。這一條能有效防止 AI「順便」改了一堆不相關的地方。
- 相關位置:已知要動的服務與檔案,例如
internal/order/service.go、internal/inventory/。
AI 在這一步可以幫忙的是「把草稿變完整」:給它工單與程式碼,請它列出不清楚的地方與可能的邊界情況,由人來回答。規劃階段則用上一篇提到的 plan 模式:它讀程式碼、提出要改哪些檔案、怎麼驗證,人看過計畫再開始動手。計畫可以直接貼在工單或 PR 說明裡,審查者就知道作者原本打算怎麼做,比較容易看出實作有沒有偏離。
提示:驗收條件寫得夠具體,就能直接變成表格驅動測試的每一列。這讓「先寫測試再寫實作」的流程變得很自然,審查者也能用驗收條件逐列對照測試。
第 3 步:CI 的必過關卡——AI 的輸出要跟人寫的一樣通過檢查
不管程式碼是誰寫的,進主分支之前都要通過同一組機器規則。這些關卡是確定性的:同樣的程式碼每次結果都一樣,不會因為「看起來很合理」就放行。對 Go 服務來說,基本的一組是:
| 關卡 | 擋什麼 | 相關文章 |
|---|---|---|
gofmt -l . 沒有輸出 | 格式不一致 | 〈工程結構與 Go Modules〉 |
go vet ./... | 常見錯誤:格式字串、複製鎖、無法到達的程式碼 | |
go test -race ./... | 功能錯誤、資料競爭 | 〈測試〉、〈併發常見問題〉 |
| 整合測試 | 跟資料庫、訊息佇列的互動 | 〈用 Docker Compose 部署整套微服務〉 |
govulncheck ./... | 呼叫到有已知漏洞的程式碼 | 〈微服務的安全性〉 |
| lint(例如 staticcheck) | 更多靜態問題與風格規則 |
-race 在這裡特別重要。AI 寫的併發程式碼常常「看起來對」:有 goroutine、有 channel、有 mutex,但漏了一個共享變數的保護。這種錯誤在一般測試裡多半不會出現,只有 race detector 抓得到。同樣地,govulncheck 能擋下 AI 為了解決問題而引入的舊版相依。
這些關卡要設定成分支保護的必要檢查(required status checks):沒通過就不能合併,沒有例外。如果團隊習慣「CI 失敗但我確定沒問題,先合併再說」,導入 AI 之後問題會被放大,因為產出程式碼的速度變快了,被跳過的檢查也會變多。
AI 在這一步還有一個實用的角色:解釋失敗。CI 失敗時,把錯誤日誌交給 AI 請它分析原因與可能的修法,常常比自己從頭讀快。但修法仍然要經過同樣的流程:改在分支上、重新跑 CI、經過審查。永遠不要為了讓 AI 的修改通過而放寬關卡——例如刪掉失敗的測試、加上 //nolint、把 -race 拿掉。審查時看到這類變更,要特別問為什麼。
第 4 步:在 CI 裡加上 AI 審查——只給建議,不給決定權
AI 審查可以在 PR 開啟或更新時自動執行,在人工審查之前先看一遍。Anthropic 提供了 Claude Code GitHub Actions(anthropics/claude-code-action),可以在工作流程裡執行 Claude Code。依官方文件,它有兩種模式:沒有給 prompt 時是互動模式,等待有人在 issue 或 PR 留言裡提到 @claude;給了 prompt 時是自動化模式,依觸發事件直接執行,結果預設寫在工作流程的執行紀錄裡。在 Claude Code 裡執行 /install-github-app 可以引導完成安裝 GitHub App 與設定密鑰;官方也另外提供不需要自己維護工作流程檔的 Code Review 功能。
下面的工作流程把兩件事放在一起:checks 是必過的機器關卡;ai-review 是 AI 審查,只有讀取權限、只給建議。它呼叫的是 repo 裡的 /review-go skill(第 6 步),讓本機與 CI 用同一份審查提示:
name: ci
on:
pull_request:
branches: [main]
permissions:
contents: read
jobs:
checks:
runs-on: ubuntu-latest
timeout-minutes: 20
steps:
- uses: actions/checkout@v6
- uses: actions/setup-go@v5
with:
go-version-file: go.mod
- name: gofmt
run: test -z "$(gofmt -l .)"
- name: vet
run: go vet ./...
- name: test (race)
run: go test -race ./...
- name: govulncheck
run: go run golang.org/x/vuln/cmd/govulncheck@latest ./...
ai-review:
# 草稿不審;來自 fork 的 PR 拿不到密鑰,也不審
if: >-
github.event.pull_request.draft == false &&
github.event.pull_request.head.repo.full_name == github.repository
runs-on: ubuntu-latest
timeout-minutes: 15
permissions:
contents: read
pull-requests: read
issues: read
id-token: write
steps:
- uses: actions/checkout@v6
with:
fetch-depth: 0
- uses: anthropics/claude-code-action@v1
with:
anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}
prompt: '/review-go ${{ github.event.pull_request.base.sha }}'
claude_args: >-
--max-turns 15
--allowedTools "Read,Grep,Glob,Bash(git diff *),Bash(git log *)"幾個設計決定:
- 最上層的
permissions: contents: read讓所有 job 預設只有讀取權限,需要更多的 job 自己宣告。ai-review的id-token: write是這個 Action 預設的 GitHub App 驗證方式所需要的(依官方範例);它沒有contents: write,所以不能推送程式碼。 --allowedTools只給讀檔、搜尋與git diff、git log。在自動化模式下,沒有被允許、又需要核准的工具呼叫會被拒絕,所以它不能執行任意指令,也不能改檔案。--max-turns與timeout-minutes限制一次審查能花多少時間與費用,避免失控的執行。if條件:草稿 PR 不審;來自 fork 的 PR 在公開 repo 拿不到密鑰,乾脆不執行。千萬不要為了審查 fork PR 而改用pull_request_target加上檢出 PR 的程式碼——那等於讓任何人送來的程式碼在有密鑰的環境裡執行。ai-review不設成必要檢查。 它失敗或逾時不應該擋住合併;它的結果是給審查者參考的。只有checks是必要檢查。
如果希望審查結果直接以留言出現在 PR 上,需要給它留言的工具與 pull-requests: write 權限;官方文件的範例是透過 code-review 外掛與對應的 MCP 工具達成。權限每加一項,都要想清楚「如果它被 PR 內容裡的提示注入影響,最壞能做什麼」。只能留言的最壞情況是一則誤導的留言;能推送程式碼的最壞情況就嚴重得多。
範例裡的 Action 用版本標籤是為了好讀;在實際的 repo 裡,第三方 Action 建議固定到 commit SHA,並用自動化工具定期提 PR 更新,這是上一篇供應鏈那一步的延伸。
第 5 步:人工把關——分支保護、CODEOWNERS 與「合併的人負責」
機器關卡擋的是「已知會錯的東西」;人工審查擋的是「機器不知道的東西」:需求有沒有理解錯、設計是否合理、測試是否真的涵蓋了驗收條件、這個變更會不會影響其他服務。AI 審查可以讓人工審查更有效率,但不能取代它。
主分支的保護規則至少要有:
- 必須透過 PR 合併,不能直接推送。
- 必要檢查(第 3 步的
checks)通過才能合併,而且分支要跟主分支同步。 - 至少一位有權限的審查者核准;作者自己的核准不算。
- 有新的提交時,舊的核准失效(避免核准之後又被改)。
- 特定路徑需要特定人審查。
最後一條用 CODEOWNERS 實現。對訂單系統來說,金額計算、授權、部署設定與 CI 本身,都應該有指定的審查者:
# .github/CODEOWNERS:這些路徑的變更,必須由指定的人核准
* @shop/backend
/internal/payment/ @shop/payments
/internal/order/service.go @shop/payments @shop/security
/api/proto/ @shop/api-owners
/deploy/ @shop/platform
/.github/ @shop/platform @shop/security
/.claude/ @shop/platform @shop/security
/CLAUDE.md @shop/platform注意最後兩行:.claude/(權限設定、hooks、skills、子代理)與 CLAUDE.md 也受到保護。它們決定了 AI 代理在每個人電腦上與 CI 裡能做什麼,修改它們的影響範圍跟修改 CI 設定一樣大。
團隊規範裡最重要的一條是:AI 寫的程式碼,由把它合併的人負責——更精確地說,由 PR 作者與核准者共同負責,跟手寫的程式碼完全相同。這條規則的作用是讓每個人都有理由認真看:作者不能說「這是 AI 寫的」,審查者不能說「AI 已經審過了」。實務上可以在 PR 範本裡加上一段揭露與自我檢查:
## 變更內容
<!-- 這個 PR 做了什麼、為什麼;連結工單 -->
## 驗證方式
- [ ] `go test -race ./...` 通過(貼上摘要)
- [ ] 新增或修改的測試對應到工單的驗收條件
- [ ] 讀寫訂單的方法有擁有者檢查與「別人的訂單」測試
## AI 協助
- [ ] 這個 PR 沒有使用 AI 代理
- [ ] 有使用:範圍是 ______(例如:測試草稿、實作、PR 說明)
- [ ] 我已逐行讀過所有 AI 產生的程式碼,能解釋每一處修改
- [ ] AI 審查的發現都已處理:確認並修正,或說明為何不成立
## 風險與回滾
<!-- 影響哪些服務、有沒有資料庫遷移、出問題怎麼回滾 -->揭露的目的不是要區別對待 AI 寫的程式碼,而是讓審查者知道要特別注意什麼:例如 AI 寫的測試是否只是描述了實作的行為、是否有超出工單範圍的修改。這份範本也提供了第 7 步量測時需要的標記。
第 6 步:提示也是程式碼——放進 repo、版本化、可以重現
如果每個人用自己的提示請 AI 審查,結果就無法比較,也無法改進。把團隊常用的提示存成 repo 裡的檔案,跟程式碼一樣經過 PR 審查,就能做到:每個人與 CI 用同一份、改了有紀錄、效果不好可以回頭看是哪一次修改造成的。
上一篇介紹的 skills 正好適合:放在 .claude/skills/<名稱>/SKILL.md,本機用 /名稱 呼叫,CI 裡也能在 prompt 寫 /名稱(前提是工作流程先檢出 repo)。第 4 步用到的審查提示如下:
---
name: review-go
description: 依團隊規範審查目前分支相對於指定基準的 Go 變更,只給建議不修改
disable-model-invocation: true
argument-hint: '<base-ref>'
---
審查 `git diff $ARGUMENTS...HEAD` 的變更。只讀,不修改任何檔案、不執行測試以外的指令。
先讀 CLAUDE.md 了解專案規則,再依序檢查:
1. 正確性:錯誤是否被吞掉;`context` 是否往下傳;逾時與重試是否合理。
2. 併發:共享狀態是否受保護;goroutine 是否會洩漏;channel 是否可能永遠阻塞。
3. 授權:讀寫 Order 的方法是否比對擁有者;管理功能是否檢查角色。
4. 資料:SQL 是否參數化;交易邊界是否正確;金額是否為 int64 分。
5. 測試:新行為是否有表格驅動測試;是否刪除或弱化了既有測試。
6. 範圍:是否有與 PR 說明無關的修改;是否新增相依。
輸出格式:
- 每個發現一段:嚴重度(高/中/低)、檔案:行號、問題、為什麼是問題、建議修法。
- 無法確定的標成「待確認」並說明需要看什麼才能確定。
- 沒有發現就寫「未發現問題」,不要為了湊數列出風格建議。
- 最後一行固定寫:「以上為 AI 審查建議,需由人工審查者確認。」提示裡要注意的事:不放任何密鑰(提示檔在 repo 裡,任何能讀 repo 的人都看得到,執行時也會被送到模型服務);不放個資或正式環境資料;要求固定的輸出格式,方便審查者快速瀏覽,也方便日後統計。
同一份 skill 在本機也能以非互動模式執行。開 PR 之前先自己跑一次,可以少一輪來回:
# 開 PR 前,用跟 CI 相同的 skill 審查自己的分支(非互動模式,只允許唯讀工具)
claude -p "/review-go main" \
--allowedTools "Read,Grep,Glob,Bash(git diff *),Bash(git log *)" \
--output-format json | jq -r '.result'
# 量測:最近 100 個已合併 PR,依是否標了 ai-assisted 分組,計算從開 PR 到合併的時間(小時)
gh pr list --state merged --limit 100 --json number,createdAt,mergedAt,labels | jq -r '
map({ai: any(.labels[]; .name == "ai-assisted"),
hours: (((.mergedAt | fromdateiso8601) - (.createdAt | fromdateiso8601)) / 3600)})
| group_by(.ai)[]
| (map(.hours) | sort) as $h
| "\(if .[0].ai then "ai-assisted" else "其他" end)\tPR 數=\(length)\t中位數≈\($h[length / 2 | floor]) 小時"'第二段指令是下一步要談的量測。claude -p 是 Claude Code 的非互動模式,--output-format json 會把結果放在 result 欄位。在 CI 或腳本裡,官方文件建議考慮加上 --bare,讓它不自動載入執行環境裡的 hooks、外掛與個人設定,每台機器的結果才一致;但要注意 --bare 也不會自動載入專案的 skills,這時就要改用 --append-system-prompt-file 之類的旗標把提示帶進去。
第 7 步:誠實地量測效果
導入 AI 之後,團隊常常想知道「到底有沒有幫助」。這個問題值得認真回答,因為感覺很容易騙人:寫程式碼變快是很明顯的感受,但如果審查時間變長、合併後的缺陷變多,整體可能沒有變好。量測時有幾個原則:
量整個流程,不只量寫程式。 常用的指標:
| 指標 | 怎麼量 | 看什麼 |
|---|---|---|
| 前置時間(lead time) | 工單開始到合併(或到部署) | 整體是否變快 |
| PR 週期時間 | 開 PR 到合併 | 審查是否成為瓶頸 |
| 審查輪數 | 每個 PR 的「要求修改」次數 | AI 產出的程式碼是否需要更多來回 |
| PR 大小 | 變更的行數 | 是否因為產出變容易而變得太大、難以審查 |
| 缺陷率 | 合併後被回報的 bug、回滾、hotfix 數,對應回原本的 PR | 品質是否下降 |
| CI 失敗率 | 第一次執行 CI 就失敗的比例 | 本機驗證是否被跳過 |
| AI 審查採納率 | AI 審查的發現中,被確認並修正的比例 | AI 審查是否真的有用,還是雜訊 |
先有基準再比較。 在導入之前(或在還沒使用的那部分工作上)先量一段時間,否則沒有可以比較的對象。第 5 步的 PR 範本與 ai-assisted 標籤,就是讓資料可以分組的基礎;上一步的 gh 指令示範了最簡單的分組計算。
注意比較的公平性。 用 AI 的 PR 與不用的 PR,任務類型可能本來就不同(例如大家傾向把簡單的工作交給 AI),直接比較平均值會得出錯誤結論。比較同類型的工作、看趨勢而不是單一數字,並用中位數而不是平均值(少數特別久的 PR 會把平均值拉得很偏)。
不要編數字,也不要把指標變成目標。 「導入後效率提升 X%」這種說法,如果沒有基準、沒有對照、沒有說明怎麼量,就不應該出現在任何報告裡。另外,一旦把「AI 產出的程式碼行數」或「PR 數量」當成要達成的目標,大家就會往那個方向最佳化,結果往往是更多、更大、更難審查的 PR。指標是用來發現問題的,例如審查時間持續變長,代表也許要把 PR 切小,或改進給 AI 的工單品質。
第 8 步:團隊規範與上線檢查表
最後把前面的內容整理成團隊可以直接採用的規範。建議寫進 repo 的 CONTRIBUTING.md 或團隊 wiki,並在 CLAUDE.md 裡引用,讓人與 AI 讀到的是同一份:
- 責任:PR 作者與核准者對合併的程式碼負責,不論它是怎麼產生的。
- 揭露:PR 範本標明 AI 協助的範圍,並加上
ai-assisted標籤。 - 驗證:作者必須自己執行過測試,能解釋每一處修改;不能解釋的程式碼不送審。
- 關卡:CI 必要檢查不能為了讓 AI 的程式碼通過而放寬;刪除或弱化測試需要在 PR 說明裡解釋。
- AI 審查:只是建議;每一項發現要確認或說明為何不成立;它不能核准、不能合併。
- 權限:CI 裡的 AI 只有讀取權限(或最多加上留言);不能推送、不能存取正式環境密鑰。
- 密鑰與資料:提示、對話、工單裡不放密鑰、個資與正式環境資料。
- 提示即程式碼:共用提示放在
.claude/skills/,修改經過 PR 與 CODEOWNERS 審查。 - 範圍:一個 PR 做一件事;AI「順便」做的修改拆出去或刪掉。
導入前可以用這張檢查表確認:
| 項目 | 確認 |
|---|---|
| 主分支保護:必須透過 PR、必要檢查、至少一位核准、新提交使核准失效 | ☐ |
必要檢查包含 gofmt、go vet、go test -race、govulncheck | ☐ |
CODEOWNERS 涵蓋付款、授權、部署、CI、.claude/ 與 CLAUDE.md | ☐ |
CI 的 AI job 只有讀取權限,有 --allowedTools、回合數與逾時上限 | ☐ |
| fork 來的 PR 不會在有密鑰的環境裡執行 | ☐ |
| AI 審查不是必要檢查,結果標明「需人工確認」 | ☐ |
| 共用提示放在 repo,經過審查 | ☐ |
| PR 範本有 AI 協助揭露與自我檢查 | ☐ |
| 有導入前的基準資料,定期檢視前置時間、審查時間與缺陷率 | ☐ |
| 團隊規範寫明「合併的人負責」 | ☐ |
常見陷阱
- 讓 AI 審查取代人工審查。 AI 審查是額外的一層,不是替代品;它會誤報,也會漏掉跨服務與需求層級的問題。
- 把 AI 審查設成必要檢查。 它的結果不是確定性的,會擋住正常的 PR,也會讓人想辦法「讓 AI 滿意」而不是讓程式碼正確。
- 給 CI 裡的 AI 寫入權限。 它讀的是 PR 內容,PR 內容可能含有提示注入;能推送程式碼的 AI 就是能被別人遙控的推送權限。
- 用
pull_request_target審查 fork 的 PR 並檢出它的程式碼。 讓不可信的程式碼在有密鑰的環境執行。 - 為了讓 AI 的修改通過而放寬 CI。 刪測試、加
nolint、拿掉-race,問題只是被藏起來。 - 提示散落在每個人的電腦裡。 結果無法比較也無法改進;放進 repo 並版本化。
- 在提示或工單裡貼密鑰與正式資料。 這些內容會被送到外部服務,也會留在紀錄裡。
- 只量「寫得多快」。 前置時間、審查時間與缺陷率才是整體效果;沒有基準的百分比不要寫。
- 「這是 AI 寫的」成為藉口。 合併的人負責,沒有例外。
重點整理
- 在工單到合併的每一階段,AI 產出草稿與建議;決定由人或確定性的機器規則做出。
- 工單要有驗收條件與「範圍外」,這直接決定 AI 產出的品質,也能轉成表格驅動測試。
gofmt、go vet、go test -race、govulncheck是必要檢查,AI 的程式碼跟人寫的一樣要通過,不能為它放寬。- CI 裡的 AI 審查(例如 Claude Code GitHub Actions 的自動化模式)只給讀取權限、限制工具與回合數、不設成必要檢查、不處理 fork 的 PR。
- 分支保護、CODEOWNERS(包含
.claude/與CLAUDE.md)與 PR 範本的 AI 揭露,讓人工審查有焦點;合併的人對程式碼負責。 - 提示存成 repo 裡的 skill,本機與 CI 共用,經過審查與版本控制;提示裡不放密鑰與個資。
- 量測前置時間、審查時間、PR 大小與缺陷率,先有基準、比較同類工作、用中位數,不編數字。
下一篇
這篇停在「合併」這一步。下一篇〈用 AI 工作流自動化部署與排查問題〉接著往後走:怎麼讓 AI 參與部署流程,以及正式環境出問題時,怎麼在權限受控的前提下用它協助排查。