
Meta研究:AI辅助代码审查时间更短且严重事故率更低
来源标题:AI-assisted code at scale: provenance, quality, centrality and review time
基于Meta超1万名开发者、40万次代码差异的分析发现,含AI生成代码的提交审查时间更短、严重事故率更低。AI辅助代码更多出现在非核心代码、较大改动和测试文件中,且来自资历更深的作者。研究通过逐字符追踪来源识别AI作者身份,而非依赖启发式判断。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
我难得发表了一篇论文,也是近期第一篇: 《AI 辅助/生成代码对质量、中心性与审查时间影响的大规模初步分析》——Audris Mockus、Peter C. Rigby、Don Stewart、Chandra Maddila、Nachiappan Nagappan。ESEM 2026,软件工程实践 track,慕尼黑,2026 年 10 月 8–9 日。LIPIcs 第 394 卷,第 93:1–93:23 页。
这是我过去两年一直在做的代码溯源系统首次公开发表的同行评审论文。核心思路:追踪每个字符的来源。通过文件中被改动的字符来识别 AI 作者身份,并借助源码控制追踪这些改动——用的是精确的文件系统和源码控制分析,而非启发式方法。
现在这套系统已经复杂得多,但核心思路就在这里。
我们在 Meta 对 10,000 多名开发者和 400,000 多个 diff 的分析发现:AI 辅助代码更多落在非核心代码、更大的改动、测试文件,以及来自任职时间更长的作者。含 AI 代码的 diff 审查时间更短,严重事故率也更低——不过这两点都受到混杂因素影响,因为 AI 代码本来就更多出现在非核心场景中。
这篇论文是这项工作的首份公开发表文档。
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。