研究：AI 垃圾内容致开源新贡献者合并率下降 18.18%

arXiv 上一篇软件工程方向的研究论文对「AI 生成低质量贡献冲击开源社区」这一现象进行了大样本量化分析。论文将这种现象命名为 AI-DDoS——一种拒绝服务式效应，即看起来合理但质量低下的 AI 生成贡献大量涌入，挤占开源社区的审阅与维护资源。作者基于 294 个代码仓库、逾 200 万条 Pull Request 与 Issue 数据展开实证，结果显示首次贡献者（one-time contributor）的 PR 合并率较反事实基准下降 18.18%。

研究背景

随着生成式 AI 工具普及，开源社区面临两类典型压力：一是 AI 辅助生成的合法贡献数量上升，二是大量「看起来能跑、实则低质」的 AI 生成 PR 与 Issue 涌入仓库，消耗维护者精力。论文将后者定义为 AI-DDoS，强调问题不仅是「数量」而是「可持续性」。

方法与数据

研究采用现象学驱动的混合方法：

• 质性阶段：抓取 Reddit、OSS 导师邮件列表及博客中的从业者讨论，提炼出 6 个反复出现的主题并形成假设。
• 量化阶段：对 294 个仓库、超过 200 万条 PR 与 Issue 进行贝叶斯结构时间序列（BSTS）分析，比较 2025 年的实际走势与反事实基准。
• 对策阶段：通过从业者访谈归纳出 11 项应对策略，并在 229 位开源从业者的问卷调查中加以验证。

核心发现

• 2025 年 PR 总量上升，但合并率反而下降，呈现「量增质降」态势。
• 首次贡献者受冲击最显著：合并率较反事实基准下降 18.18%，意味着新人更难通过 AI 辅助的方式融入开源生态。
• 社区普遍倾向于采取「低成本的防御性策略」以保护短期审阅能力，但这些策略可能在长期损害开源的开放性。

三类应对策略

论文将 11 项策略按取向分为三组：

• 保守型（Preservative）：如提高贡献门槛、增加模板与自动化校验，优先挡掉可疑 PR。
• 适应型（Adaptive）：如调整评审流程、为新人设置导师或预审通道。
• 变革型（Transformative）：如重构治理规则、引入 AI 辅助审阅工具以分担人工压力。

启示

该研究指出，AI-DDoS 本质上是「可持续性陷阱」：社区若仅依赖简单防御，可能短期内减轻审阅负担，但会让开源协作变得更难进入。作者呼吁维护者在策略选择上超越「挡掉就行」的思维，向更系统的治理方向演进。论文以 arXiv 预印本形式发布（编号 arXiv:2607.04003，cs.SE），作者为 Sadia Afroz 等。