AI 构建，我们分析：AI 生成构建代码质量的实证研究
软件工程
2026-01-26 v1
摘要
AI 编码代理在软件开发中的快速普及引发了关于其产出代码质量和可维护性的重要问题。虽然已有研究探讨过 AI 生成的源代码，但关于 AI 编码代理对构建系统——软件生命周期中关键且鲜有研究的组成部分——的影响仍存大量未知。本数据挖掘研究聚焦 AIDev，这是首个大规模、公开可获取的捕获真实 GitHub 仓库中代理作者拉取请求（Agentic-PRs）的数据集。本文依据该数据集调查：（RQ1）AI 编码代理是否生成具有质量问题（如代码异味）的构建代码；（RQ2）AI 代理在多大程度上能消除构建代码中的代码异味；（RQ3）Agentic-PRs 是否能被开发者接受。我们识别出364个跨越不同严重程度的可维护性和安全相关构建异味，表明 AI 生成的构建代码可能引入质量问题——如缺乏错误处理、硬编码路径或 URL——但也在某些情况下通过重构（如提取模块、外部化属性）消除现有异味。值得注意的是，超过61%的Agentic-PRs 经 minimal human intervention 即可获批并合并。这种双重影响凸显了未来在 AI 感知构建代码质量评估方面的研究需求，以系统评估、指导和治理 AI 生成的构建系统代码。
引用
@article{arxiv.2601.16839,
title = {AI builds, We Analyze: An Empirical Study of AI-Generated Build Code Quality},
author = {Anwar Ghammam and Mohamed Almukhtar},
journal= {arXiv preprint arXiv:2601.16839},
year = {2026}
}