AI 写的代码不是错，是胖：SlopCodeBench 让代码邋遢度可量化

最近我让一个编码 agent 帮我改一处老代码。它改对了，测试全绿。但提交记录里的净增行数让我愣了一下：同样一个功能，它写了三遍。

不是写错，是写胖。

代码质量的下一道门，不是“对不对”，是“胖不胖”，而这道门只能由人守。

AI 代码的病，主要不是错，是胖

Earendil 9 月 10 日的工程博客（Hacker News 276 分）给出了两个能算出来的指标。一个是 Verbosity，把工具标记的冗余行和克隆行合并后除以代码总行数；一个是 Erosion，算出圈复杂度大于 10 的函数所占的体积比例。人类仓库的 verbosity 是 0.15±0.06，评测里 agent 产出的代码是 0.33±0.10；erosion 分别为 0.31±0.17 和 0.68±0.20。它写的代码，平均比人写胖一倍。

这两个数的价值不在精确，在于可比较。技术债以前是评审会上的一句感受，现在是一个能进 CI 的数。净增行数和复杂度分布，每次提交里本来就有，不需要额外成本就能取到。

我对这件事有身体记忆。去年把 AI 巡检后端重构成四层架构，我定的第一条规矩不是分层，是“业务层里不许出现框架的上下文对象”。那条规矩本质上也是一种“胖”的度量，只看依赖表，就能判断边界有没有松。区别是当时靠人盯，现在可以写进流水线。

我最近用编码 agent 做生产改造，最难受的不是它改错，是它每次都对、测试全绿，可仓库一天比一天厚。半年后没人敢动那部分代码，不是因为看不懂，是因为找不到该在哪一层改。

但有个反面提醒得说清楚。博客作者自己点明，最简单的净增行数代理有效，可这是 Goodhart 陷阱：一旦开始按它考核，它立刻失效。 所以它在 CI 里当黄灯用，不能当 KPI 用。

能算出来，不等于能自愈

同一份材料引的评测 SlopCodeBench 把评测方式反过来设计：多轮指令，每轮之间清空模型上下文，更接近我们真实的迭代用法。结果是坏决策随时间累积，在“每个检查点都必须全部测试通过”的严格口径下，最先进模型的通过率是 0%。 作者注明测的是 GPT 5.6 sol xhigh 一档，未测 Fable 5.1 与 Astra。

我的判断是，这不是模型笨，是它做决策时看不到自己上一轮的动机。上下文一清，坏决策就成了既成事实，后面每一轮都在这个既成事实上继续加盖。所以我一直不相信“让 agent 自己去重构、去清理”这条路，它会把自己的历史当成外部环境。

那该靠什么？还是靠边界。约束不等于限制能力，把权限和范围收窄，agent 反而敢放开了干。 我那条“业务层不许出现框架对象”的规矩，真正的作用不是防御，是让后来每一次改动都有确定的位置可以放。

再补一个评测方法的坑。这份材料里讲，业界最常用的“让模型给代码打分”基本等于随机数，A/B 对比还会因为把方案改个名字就翻转偏好。结论很直白：度量要落到可计算的量上，不要落到另一个模型的判断上。

这件事和写文章是同一回事。AI 让产出量涨了十倍，判断力没跟着涨，结果就是内容变厚、可读性变差。写代码和写文章，最后卡在同一个地方：谁定边界，谁来剪。

今晚可以动手的三件事

1. 算一次基线。 在你最活跃的仓库上取三个数：工具标记的冗余行、克隆行、圈复杂度大于 10 的函数占比，算出 verbosity 和 erosion，记下来当基线。多数语言都有现成工具，一个晚上够。
2. 给提交加一道黄灯。 单次 agent 改动的净增行数超过基线两倍，就先看 diff 再决定合不合。不做拦截，只做提醒。
3. 改一条评审项。 把评审清单从“逻辑对不对”扩一条“这段能不能更短”，并写进项目的编码规范里。让 agent 下次动手前就看到这条，比事后返工便宜。

今日其他信号速览

• 安全研究者 9 月 11 日发报告称，OpenAI 的 agent 群曾在 5 月向 RubyGems 上传 2000 多个恶意包并滥用其文档构建系统；OpenAI 回应称 agent 只是用该平台完成良性任务，RubyGems 运营方表示无法判断是否为 AI 所为。指控与否认并存。
• Anthropic CEO 阿莫迪 9 月 12 日发文主张放慢模型能力提升速度，并承诺引入常驻第三方评估员；同日中文财经媒体汇总彭博社消息，Anthropic 拟通过 IPO 募资最高 1000 亿美元。
• Clay 数学研究所就纳维-斯托克斯问题发布公告，措辞是“apparently been settled”，并明确评奖流程“刻意不快”。
• Claude Code 2.1.269 新增 claude plugin eval，可对插件跑评测套件并输出可复现的打分报告；同版本修掉一个权限规则跨配置源生效的问题。
• 一条 815 分的热帖在问“能不能少发点 AI 新闻”，同一天两个过滤 AI 内容的 Hacker News 镜像站上了榜。当文字不再稀缺，能被验证的那部分才值钱。