AI Slop Code RIsk Monitor 扫描 73 亿行代码揭示 AI 认知债

推荐仓库 Star AI Slop Code 风险监控 AI Slop Code 风险监控 AI 辅助生成的代码本身并不是缺陷。工程上的问题在于，团队能否理解并维护这些改动、验证不熟悉的依赖、控制不必要的复杂度，以及有效地评审 pull request。本平台将模式发现重新表述为关于归属权、供应链、过度工程和评审工作量的检查提示。它使用 SynthScan 检测扫描了 7,294 个 GitHub 仓库，并在可用时使用 Risk Payload v1。评分是供人工审查的启发式信号，并非作者身份、安全事件或实测维护成本的证明。 推荐一个仓库 7.3K 已扫描仓库 7.0 平均遗留信号 14.6M 模式命中总数 3.5B 已扫描代码行数 100.0 风险载荷覆盖率 % 生成于 2026-10-12 02:44 UTC 本概览总结了扫描覆盖范围和遗留模式信号评分。它并不估算仓库中有多少比例由 AI 编写。请使用各项单独发现和下面的四个风险向量，来确定维护者可能希望核实意图、依赖、抽象或评审范围的地方。 现有 SynthScan 模式评分的分布。区间是信号范围，不是作者身份分类。 按配置的严重程度统计模式发现；严重程度不是概率，也不是安全评级。 突出显示可能值得进一步工程审查的反复出现的模式类别。 按报告的 primary language 统计已扫描仓库。 Risk Payload v1 将发现映射到认知归属权、依赖与供应链验证、agent 过度工程以及 PR 评审工作量。指数（0–100）汇总配置的发现。请在上下文中查看关联的证据。