AI 编程生成的代码由谁承担长期维护成本？

AI 编程生成的代码一旦合并、部署并服务用户，长期维护成本就由接受它的组织承担。模型不会值班、解释历史决策、处理事故或为未来迁移预留预算；这些责任最终落在代码所有者、维护团队和作出上线决定的人身上。

先看研究目前证明了什么

一篇题为“AI 写代码，人类偿还债务”的论文计划比较代理生成与人类编写的缺陷修复。需要注意，它是 Stage 1 注册报告，公布的是研究设计、假设和预期贡献，而不是已经完成的数据结果。因此，不能据此断言代理代码已经被证明会积累更多技术债。

论文准备研究三个问题：代理能否找到正确的修改位置，代理提交与人类提交的技术债和可维护性有何差异，以及这些差异是否会在多个版本中形成不同的演化轨迹。

为什么生成者不是维护责任主体

维护责任来自系统所有权，而不是代码输入方式。开发者使用编译器、框架和代码生成器时，工具也不会替团队承担生产责任。AI 编程工具同样只是开发链路中的工具或服务。

真正决定代码进入系统的是组织的审批与发布流程。只要团队接受了生成结果，就同时接受了它的缺陷、依赖、可读性、迁移难度和未来修改成本。

长期成本由哪些角色分担

角色	主要责任	不能外包给模型的事项
提交者	核对实现、测试和变更范围	说明代码为何符合需求
审查者	检查设计、安全与可维护性	批准风险和架构取舍
代码所有者	维护模块边界和质量标准	决定是否接受长期负担
产品与业务负责人	平衡交付速度和偿还投入	确定业务后果与优先级
平台与安全团队	提供检测、追踪和运行护栏	处理供应链与合规风险
组织管理者	配置人力、预算和治理机制	承担工具采用的系统性结果

责任可以分工，却不能消失。把生成代码标记为“AI 编写”有助于追踪，但不能成为事故发生后无人负责的理由。

维护成本不只来自错误

功能正确只是最低门槛。代理生成的修复即使通过当前测试，也可能修改了不合适的包、类或方法，增加耦合和重复，或偏离项目约定。问题不会立即表现为故障，却会提高下一次变更的理解与验证成本。

• 定位成本：维护者要先判断真正需要修改的位置。
• 理解成本：团队要读懂缺少设计上下文的实现。
• 验证成本：需要补充测试，确认边界行为没有改变。
• 重构成本：清理重复、复杂度和不合理依赖。
• 演化成本：后续版本继续适配当前设计选择。
• 事故成本：上线后排查、回滚和修复未知问题。

修改位置为什么重要

论文把问题定位细分为包、类和方法三个层级。一个代理可能实现了表面正确的修复，却在错误的模块增加条件分支，或者绕过本应统一处理的抽象层。

这种方案短期可以通过测试，长期却让规则分散在更多位置。下一位维护者需要找到所有副本，未来变更也更容易遗漏。因此，审查不能只看输出是否正确，还要检查修改是否发生在正确的责任边界。

如何衡量代理代码的技术债

注册报告计划使用多个静态分析工具，比较技术债、可维护性、模块化、代码异味、复杂度、重复率和规则违规。多指标设计很重要，因为任何单一工具都无法完整表示技术债。

团队可以采用相似思路，但不能把静态评分等同于真实维护成本。还应结合缺陷回流、审查时间、变更失败率、修复周期、模块修改频率和开发者理解难度。

一次提交合格，不代表长期可持续

技术债会随提交和版本累积。某个生成补丁只增加少量复杂度，看起来影响有限；如果代理持续采用相同局部捷径，耦合、重复和例外路径可能逐步扩大。

论文因此计划比较人类与代理驱动的跨版本演化斜率，而不是只检查一次提交。这一思路对企业同样适用：评估 AI 编程工具时，应观察数月内的维护趋势，而不是只统计首轮任务完成速度。

不要把人类提交当作绝对真相

论文也承认，历史上的人类修复只是实用参考，并非唯一正确答案。代理修改不同文件，可能是定位错误，也可能提供了同样有效甚至更好的方案。因此，差异需要抽样人工检查，不能全部判为失败。

同样，人类代码本身也会产生技术债。公平评估应使用相同代码状态、任务描述、语法检查和质量指标，并区分实现风格差异与真正的结构问题。

建立明确的接受责任

最实用的治理规则是：没有明确维护者的生成代码不得进入主分支。每次 AI 辅助变更都应由一个人对需求符合性、设计合理性和验证证据签字负责。

1. 记录任务描述、关键上下文和使用的生成工具。
2. 要求提交者能解释修改位置和设计选择。
3. 运行测试、静态分析、安全与依赖检查。
4. 由代码所有者审查跨模块和长期影响。
5. 对高风险变更设置灰度、监控和回滚方案。
6. 把后续缺陷与维护投入回溯到采用决策。

将速度收益与维护预算绑定

如果 AI 提高了功能交付速度，组织需要同步增加审查、测试、文档和重构能力。否则，节省的是当前开发时间，透支的是未来维护时间。

团队可以为 AI 辅助变更设置质量预算，例如复杂度不得明显恶化、关键路径覆盖不得下降、公共接口必须有说明。也可以预留固定容量处理生成代码带来的整改项，并持续比较实际收益与偿还成本。

注册报告的边界

该研究计划基于成熟开源项目，并使用 2021 年以前的历史提交避免 AI 代码污染；代理则在固定编排框架下使用选定模型重新实现问题。这有利于可重复比较，但结果未必直接代表企业私有系统、其他代理框架或真实团队协作。

跨版本轨迹也是基于历史序列构造的反事实近似，不能完全复现架构选择之间的长期互动。未来结果应被理解为维护风险证据，而不是对所有工具的一次性裁决。

结论

AI 可以生成代码，却不能承接代码所有权。真正承担长期成本的是批准合并的开发者、负责模块的团队，以及决定采用工具并分配资源的组织。

合理的做法不是拒绝 AI 编程，而是让每段生成代码都有可解释的设计、可验证的行为和明确的维护者，并用跨版本指标检验速度收益是否转化成了未来债务。谁决定把代码留下，谁就需要为它的演化负责。