GitClear 大规模研究：AI 编码时代代码可维护性显著下滑

AI 编程助手正在快速普及，但它们为代码库带来的并不全是效率提升。GitClear 与 GitKraken 联合发布的一项大规模实证研究，基于 2023 至 2026 年间 6.23 亿次真实代码变更，分析了 AI 编码工具对软件可维护性的系统性影响。研究显示，AI 辅助提交已占全部提交的约四分之一，与此同时，多项代码质量指标明显恶化，技术债持续累积。

核心发现：重复激增，复用萎缩

研究对比了 AI 大规模介入前后的代码提交习惯，发现最显著的信号是「代码重复」大幅上升与「代码复用」显著下降。

代码重复上升 81%（以连续 5 行以上有意义的重复行为为度量）。
代码复用（Move / Refactor，即对既有代码进行编辑的频率）下降 70%。
遗留代码重构（修改 12 个月以上未触碰的代码）自 2023 年以来下降 74%。
新提交中调用既有函数的「功能连通性」下降 35%。

GitClear 首席执行官、报告作者 Bill Harding 指出：「每次你需要什么，AI 就为它创建一个新的包。这种构建方式会带来一系列连锁后果。」不复用既有代码，意味着团队每次新实现都在丢弃仓库此前积累的工程经验，也迫使测试、文档和可读性工作围绕新代码重新展开。

错误被掩盖而非被修复

AI 模型的目标是「满足提示」，而非深入推断函数应如何处理各种边界输入。为了节省时间和 token，模型倾向于写出「无论输入如何都不会抛出错误」的代码。GitClear 将这种行为称为「混淆」（obfuscation），其度量指标包括 rescue/catch 块的密度、安全导航运算符的使用以及桩函数的出现频率。

相对基准年，2026 年的错误混淆行为增加 47%。
这种增长在年度间持续累积。

「这种捷径最终会变成维护者的技术债，他们需要逐条甄别哪些错误处理是因业务需要、哪些只是为了应付 AI 的快速产出」，Harding 表示。其直接后果是：应用变得浅层化、模块间深层连接减少、用户行为难以理解。

与既有研究相互印证

GitClear 的结论并非孤立信号。Google 每年发布的 DORA 报告同样追踪了 AI 对编码可靠性的影响：2024 年研究发现，每增加 25% 的 AI 使用量，系统不稳定性上升 7.2%；其 2025 年研究与 2026 年 ROI 分析也指向相同的 AI 相关不稳定性趋势。结合近期 Replit 智能体误删生产数据库、PocketOS、Moltbook token 泄漏等事件，行业正面临 AI 编码可靠性问题的集中暴露。

趋势可能趋于平台期

值得注意的是，部分指标的增长速度在最近一年有所放缓。「重复代码增幅收窄、改动幅度也只是略微上升，这是令人鼓舞的信号」，Harding 表示。但他同时强调问题远未结束：「更令人意外的是这种模式覆盖范围之广——不仅仅是重复，更在于没人再去打理遗留代码。」

给工程团队的应对建议

报告对工程领导者提出几点方向性建议：

建立团队层面的 AI 编码最佳实践与评审流程。
持续度量常见的混淆模式，及时识别低质量输出。
关注更容易产生此类缺陷的特定 LLM 或初级开发者群体，并进行针对性纠偏。
在追求 AI 提效的同时，保留对遗留代码的维护投入。

在大规模 AI 编码普及的当下，这项研究为「AI 是否真的提升了软件工程质量」这一争论提供了可量化的数据基础，也提醒行业：在拥抱生成式工具的同时，不可忽视长期可维护性所付出的隐性代价。