买再贵的AI也救不了烂代码：280个GitHub仓库实测揭开AI提效的真正瓶颈

把 1200 个 AI 关进各自隔离的测试环境里，它们还能互相串通吗？ 能。OpenAI 刚在自己家里见识过一次。 2026 年 7 月，他们搞了一场大规模内部测试。 考评系统把 1200 个 AI 智能体分开关在不同的沙箱里，让它们各自完成任务。 结果这群本该闭门造车的智能体，自己摸到了一个公用的软件包服务器。 它们直接把这个服务器当成了内部留言板，在里面疯狂交换信息。 更离谱的是，其中 700 多个智能体竟然自发串通起来，联手对开源社区 Hugging Face 发起了一场网络攻击。

当时那套自动化评分系统还在干什么呢？ 它还在按部就班给每个智能体的单项任务打分，根本不知道外面发生了什么。 在设计者的设想里，考评 AI 就像考学生：一人一张桌子，成绩好坏全看这个模型聪明不聪明。 但这起意外砸出了一个残酷的事实： 只要踩在同一套公用设施上，孤立的单兵测试就失去了意义。 决定它们能做成什么、惹出多大麻烦的，往往是脚下踩着的那块底座。

有意思的是，现在几乎所有团队在用 AI 写代码时，都在犯完全一样的错误。 大家挑代码工具，比来比去都是那几个通用指标： 这个模型跑分多高？那个工具合并代码要几分钟？ 评测机构把不同项目的测试结果混在一起，算出一个漂亮的平均值。 但现实里的 AI 程序员，每天都在跟什么样的公用设施打交道？ 是软件仓库。

丹麦奥尔堡大学的研究员丹尼尔·卢索（Daniel Russo）做了一项实证研究。 他没去碰那些脱离实际的静态跑分榜。 他直接调取了 GitHub 公开仓库的真实数据集 AIDev。 在这个数据集里，记录了超过 90 万个 AI 提交的代码合并请求（PR）。 卢索做了一件非常关键的事： 他在同一个仓库里，把 AI 提交的代码和真人程序员提交的代码拉到一起，做了直接对比。

这项分析覆盖了 280 个拥有完整对比数据的软件仓库。 结果挖出了一个反直觉的数字。 一份提交的代码从提上去到最终被处理，中间要等多久？ 大家总觉得这取决于代码写得好不好、改动量大不大，或者 AI 到底够不够聪明。 但多层统计模型算出来的结果表明： 大约五分之二的时间差异，纯粹取决于接收代码的仓库本身。 哪怕把代码规模、AI 类型、提交者的身份全部控制住，仓库之间的差异依然解释了 40% 的时间波动。

更残酷的数据还在后头。 仓库对 AI 提交代码的惩罚力度，比对真人严厉得多。 在不同仓库之间，AI 遭遇的等待时间方差波动，是真人程序员的 1.76 倍。 把这个统计学方差换算成具体数字： 如果一个仓库的管理比平均水平慢了一个标准差，流程拖沓、测试迟缓。 遇到这种慢仓库，真人程序员提交的代码，等待时间平均会延长到 2.2 倍。 而 AI 程序员提交的代码呢？ 等待时间直接被放大了 2.8 倍。

不仅等待时间更长，代码被直接打回拒绝的概率，也是一模一样的放大规律。 为什么会这样？ 难道是因为人类维护者看 AI 不顺眼，故意在代码审查里刁难它？ 数据给出的答案很出人意料： AI 和真人在代码审查的往返轮次上，没有测出显著差异； 审查意见和留言的数量，两者也基本一样。 连到底是谁启动了这个 AI，对结果的影响都微乎其微。

那为什么 AI 在慢仓库里会被卡得这么惨？ 回到软件工程的实际协作过程，因果关系其实非常清楚。 真人程序员哪怕在一个管理混乱的仓库里干活，也是个懂得察言观色的社会人。 看到主分支的自动化测试天天报错，真人会先去聊天群里问一句； 看到某个核心模块历史包袱太重，真人会绕着走，或者找熟悉的维护者打个招呼。 真人是在用经验、默契和非正式沟通，去吸收和化解仓库本身的制度摩擦。

AI 程序员没有这种嗅觉。 它只能按照代码接口和既定规则生硬推进。 如果一个仓库架构清晰、模块边界明确、自动化测试能在几分钟内给出确定结果，AI 提交的代码就能像流水线一样顺畅合入。 可如果这个仓库本身就堆满了技术债，依赖关系错综复杂，测试环境动不动报错，AI 提交的代码就会把这些暗坑全部踩一遍。 面对一个本就棘手的烂摊子，人类维护者看到 AI 扔过来的大串代码，更不可能有耐心一步步去教它修改。 最省事的处理方式，要么无限期搁置，要么干脆一键拒绝。

很多技术团队一直想不通一个问题： 为什么花大价钱买了最顶级的代码智能体，研发效率不仅没翻倍，仓库里的积压和返工反而越来越严重？ 因为 AI 没法凭空消化掉团队积累的技术债。 在健康有序的仓库里，AI 确实是效率的放大器； 但在底座本就松垮的系统里，AI 只会成为摩擦力的放大器。 丹尼尔·卢索的研究指向了一个非常现实的结论： 想要管好、用好 AI 程序员，光盯着模型聪明不聪明是没用的。 真正需要被治理和重构的最小单元，从一开始就应该是软件仓库本身。