最近，GitClear发布的一项调查报告显示，用AI写代码，会让代码的质量和可维护性不断下降。
这引起了全网热烈讨论：
「借助AI提供商，您可以将代码生成速度提高50%（即使是您不理解或无法编写的代码），但代价是代码的质量和可持续性不断下降。」
「我们要追求的，到底是质量还是速度？」
调查中，GitClear分析了从2020年1月到2023年12月之间编写的1.53亿行代码更改数据，
——1.53亿行代码，是目前已知最大的用于评估代码质量差异的数据集。
调查发现了什么？我们先看下面这张图：
图中展示了4年中的代码改动率——编写后不到两周就被撤销或更新的代码行百分比，——深色部分表示受AI代码生成工具影响的时间。
调查中同样发现，「新增代码」和「复制粘贴代码」的比例相对于「更新」、「删除」和「移动」代码的比例在增加。
这貌似说明开发人员在大量使用Copilot等AI代码生成工具，快速生成了大量代码，但随后发现了代码中的问题，——GitClear的报告预计在2024年，这个代码改动率将达到2021年AI出现前的两倍。
另外一点就是，AI代码生成工具不太理会人类程序员的一些原则（比如「重复造轮子」这件事），也就造成了代码库中越来越多的重复代码。
——不过很多码农都是「CV程序员」，这样看来，AI也算是学到了精髓。
2023年，GitHub Copilot大放异彩。在短短不到两年时间内，这款AI编程助手从一个「原型」迅速成长为「核心工具」，被全球数百万开发者在数十万家企业中广泛应用，开启了coding的新时代。
对此，GitHub发表了多篇研究论文，探讨了AI在软件开发领域的增长与影响。
速度提升55%，GDP增加1.5万亿
研究表明，使用Copilot的开发者编码速度可以提高「55%」，导致总的代码量增加了46%，并且为全球创造了1.5万亿美元GDP。
有了这样的成绩，也就不难理解为什么GitHub的CEO Thomas Dohmke，会在繁忙的工作之余，专门撰写关于AI革命的文章。
在2023年2月Copilot个人版用户超过一百万之后，GitHub又推出了GitHub Copilot for Business版本。
那么，有多少开发者在用AI来编写代码呢？
GitHub与Wakefield Research在2023年6月的一项研究中指出，92%的美国大型公司的开发者表示他们使用了AI编程工具。并且有70%的开发者认为使用AI带来了明显的好处。
不过，O’Reilly Publishing在2023年8月给出的调查数据显示，67%的开发者没有用过ChatGPT或Copilot。不管怎样，GitHub在市场上仍有巨大的潜力等待挖掘。
——然而，大语言模型（LLM）生成的代码引发的一个问题是：
这些代码的质量和可维护性到底怎么样？
面对AI滔滔不绝吐出的一大堆代码，程序员似乎不太容易发现其中的问题——毕竟都不是自己写的。
还有，众所周知，当程序员接手前人留下来的*山代码时，应该遵守的「潜规则」是：
如果这个代码能够正常运行，就千万不要妄想去重构。
AI生成代码背后的挑战
无法否认，Copilot实实在在的提升了开发者的编码效率。GitHub的研究显示，使用Copilot的开发者满意度提升了75%。
做初期产品开发的人是满意了，可后面负责长期维护的人就蛋疼了。
资深代码研究者Adam Tornhill（著有《代码即犯罪现场》）对此持保留态度：
使用Copilot可以使代码编写速度提高55%，但如果是本就不应该编写的代码呢？
如《Clean Code: A Handbook of Agile Software Craftsmanship》一书的作者Robert Martin所说，代码的阅读时间是编写时间的十倍。快速编写糟糕的代码，意味着给后来的代码阅读者带来了巨大的负担。
此外，AI代码助手还带来了其他问题：
比如代码助手擅长生成代码，却不擅长修改；当有多个生成工具给出建议时，评估哪个更好是很耗费时间的；
最后，AI代码助手与开发者的动机可能不同，对于代码优化来说，AI往往倾向于提出最有可能被接受的建议。
所以，相比于经验更丰富的开发人员，初级开发者更倾向于接受AI给出的代码建议：
而老鸟们深知，随着时间推移，代码的维护成本会越来越高。
代码操作介绍
GitClear将代码变更分为七个类别（研究中涉及前六种）：
1. 新增代码：首次提交的代码行，代码行是全新的，不包括对现有代码行的小幅修改，也不包括那些被添加、移除后又重新添加的代码行。
2. 删除代码：被删除并提交的代码行，且至少在随后的两周内未被重新加入。
3. 移动代码：将一行代码剪切并粘贴到新文件或同一文件内的新函数中。「移动」的操作仅涉及位置的变换，代码内容不发生改变。
4. 更新代码：修改大约三个或更少的单词来更改原有代码行。
5. 查找/替换代码：从三个或更多位置移除相同字符串，并用一致的内容进行替换。
6. 复制/粘贴代码：在一次提交中，将相同的代码行内容复制到多个文件或函数中。
7. 无操作代码：指一些微小的代码变更，比如空格或同一代码块内行号的变化。
GitClear自2020年起根据这些操作对git仓库进行分类，并在Diff Delta文档中提供了代码操作的具体示例。
截至2024年1月，GitClear分析并分类了大约十亿行代码，这些代码来自商业客户（如 NextGen Health, Verizon）和流行的开源仓库（如 Facebook React, Google Chrome）。
其中，1.53亿行代码为有意义的变更，被用于本研究。
最后，还有一个单独的定义叫做「搅动」（churn），意思是代码被创建、推送到git仓库后，在接下来的两周内被撤销或大幅修改。
——也就是咱们最开始分析的那张图，可以将「搅动」理解为，作者一开始编写、提交并推送到公司git仓库的代码有问题，后来发现了。
数据分析
下表根据GitClear的数据，分析了不同的代码行操作数量，并按照代码的编写年份进行分类。
表中的前六项就是上面提到的代码变更的前六个类别，而最后一项是「搅动」。
将表格数据绘制成下面的图表，可以更清晰地看出各种代码操作类型的变化趋势，比如，图表中的浅蓝色细线显示了「Churn」类型代码的变化：
对于2024年的预测，这里使用OpenAI的gpt-4-1106-preview助手，对现有数据进行二次回归分析。
通过对比2022年与2023年的操作频率差异，识别出了三个可能影响代码质量的警示信号：
危险信号
2023 年，我们目睹了代码搅动、移动和复制粘贴方面的显著变化，这些变化背后的含义值得深入探讨。
代码搅动的新趋势
「代码搅动（Churn）」反映了推送到代码仓库后，在接下来的两周内被撤销、移除或更新的代码比例。
过去，当开发者完全自主编写代码时，这种情况相对罕见——2023年之前，仅有3-4%的代码会发生搅动。
然而，2022年，随着Copilot的首次亮相和ChatGPT的问世，代码搅动率的预兆性跳升至9%。
2022至2023年间，AI助手的崛起与仓库中错误代码的增加密切相关。
假设Copilot在2021年的普及率为0%，2022年为5-10%，2023年达到30%，这些变量之间的Pearson相关系数高达0.98，显示了它们的同步增长。
随着代码搅动成为常态，错误代码部署到生产环境的风险也随之增大。如果这一趋势持续到2024年，超过7%的代码更改可能会在两周内被撤销，这是2021年的两倍。
据此，报告预计Google DORA在年底发布的「2024 Devops 状态」报告中，将显示「变更失败率」的上升。当然前提是研究包含了2023年使用AI辅助的开发者数据。
代码移动减少，反映出重构和复用的减少
代码移动通常出现在对现有代码系统进行重构时。
重构系统，特别是代码的移动，是代码复用的基础。随着产品范围扩大，开发者会将现有代码重组到新的模块和文件中，以便新功能复用。
对经验丰富的开发者而言，代码复用的好处显而易见——与新增代码相比，复用的代码已经过测试并在生产环境中证明其稳定性。
复用的代码往往已被多人修改，更可能包含文档，这有助于新人更快理解模块。
随着标记为「复制粘贴」的代码增加，AI助手似乎在抑制代码的复用，而是提供了一种重复现有代码的简单方式，而不是鼓励重构和遵循「不要重复自己（DRY）」的原则。
复制粘贴代码增多，预示着未来的维护困难
长期来看，复制粘贴代码可能是对代码可维护性的影响最大的因素。
当代码行被重复使用时，本质上意味着「我没有时间去评估之前的实现方式」。
选择复制粘贴新代码而没有复用代码，会使得未来的维护工作变得更加困难，因为需要整合那些实现相同功能的平行代码的实现方式。
大多数开发者更喜欢「实现新功能」而不是「解读可能可复用的代码」，因此复制粘贴的代码往往会长时间存在。
而且在经验缺乏的团队中，可能没有有能力且有权威的代码维护者来删除那些重复的代码。
即便是资深开发者，要充分理解代码从而删除某些重复的代码，所需的努力也是非常巨大的。
如果没有CTO或工程负责人主动安排时间来减轻技术债，那么「自上而下的时间压力」就会成为新添加的复制粘贴代码，让这些代码永远无法整合到改善长期开发速度的库中的又一个原因。
由于GitClear只统计单次提交中的重复代码，2023年测得的11%复制粘贴比例可能只是只是今年复制粘贴代码非常小的一部分。
总结
根据报告评估的两个关键数据点显示，2023年代码质量出现了严重的下降。这种情况与大语言模型（LLM）的广泛应用，尤其是AI代码助手的流行有直接关联。
GitHub与Wakefield Research在2023年的一项调查反映出开发者已经意识到代码质量的下降。
当被问及「在没有AI辅助的情况下，你认为应该评估哪些指标？」他们最关注的是「协作与沟通」，紧随其后的是「代码质量」。
而当问题变为「在使用AI辅助时，你认为应该评估哪些指标？」他们的答案发生了变化，其中「代码质量」跃升为最受关注的问题，「生产环境中的问题事件」也上升至第三位：
单个开发者的情况可能无法说明为何「代码质量」和「生产环境中的问题事件」在使用AI时显得更加重要，但报告的数据揭示了一个可能的原因：
当开发者被一波又一波看似合适、能短期内解决问题的建议所淹没时，他们很容易不断增加代码量，却忽视了代码的优化和复用。
——如果按一下Tab键就能解决当前的问题，为什么要费心思管以后的事情？
AI助手和Copilot将如何重塑开发者的角色？随着AI技术的广泛应用，毫无疑问，我们已经进入了一个代码增长速度空前的新时代。
那么，2024年的问题可能是：谁来收拾事后的烂摊子？
网友讨论
面对AI带来的「全球代码质量下行」，网友也是深有体会：
谴责型：「我在两个月后取消了订阅（Copilot），因为我花了太多精力去修复所有代码错误。而且在处理任何复杂的事情或与SQL有关的事情时，它基本上是无用的(即使我提前加载了整个模式)。」
大佬型：「写下所有东西其实要花的功夫少得多，因为我知道自己想写什么，而且修正自己的错误比修正机器人的错误更容易」。
悲天悯人型：「我为那些将被这种垃圾彻底击垮的初学者而哭泣。」
中立型：「Copilot能做的事让我很吃惊，但确实不能说生成的代码很好。生成的代码肯定得改，但是确实能帮你省不少时间」。
