调查发现：AI 生成代码会提升调试难度与故障发生率，并造成代码理解鸿沟

由独立研究公司 Coleman Parkes 代表 Undo（一家专注于扩规模 AI 根因分析的公司）开展的一项调查发现，虽然 AI 编码智能体加快了代码生成速度，但主要瓶颈已经转移到了调试、代码理解和维护上。

该报告调研了 300 名负责交付关键业务软件的高级工程负责人，其中大多数使用 C/C++。本次调查主要聚焦于关键业务代码库——这类代码“必须被充分理解”。受访者认为最棘手的工作是“理解代码的作用、如何影响现有代码库以及当应用行为不符合预期时对其进行调试。”

在这类场景下，团队平均每周花 9.8 小时编写代码，却要用 16.9 小时处理在开发阶段发现或是客户在生产环境遇到的故障调试工作，占平均每周工时的 42%。

除调试问题愈发突出外，代码理解正成为另一个重大挑战：

如今大部分代码由 AI 生成，工程师不再拥有以往那种对代码的原生理解能力。这使得缺陷更容易被遗漏，而当故障不可避免地发生时，没有人掌握足够信息去追溯问题的根本原因。

调查显示，得益于 AI 智能体带来的代码生成提速，35% 的生成代码在团队尚未完全理解前就进入了生产环境。此外，80% 的受访者表示，代码智能体难以处理复杂代码库中的疑难问题。因此，约三分之一的团队“只在简单代码库中使用 AI 智能体进行代码理解和调试”，在处理更复杂系统时依靠其他手段来建立足够的信心。

受访团队报告的其他重大问题包括：影响内部用户或客户的生产事故或服务中断（81% 在前六个月内至少发生一次，14% 每月多次发生）、由于幻觉导致根因或问题诊断错误（93% 至少发生一次，18% 每月发生多次）、以及测试遗漏、严重缺陷或优化不佳的代码进入生产环境（91% 至少发生一次，8% 每月多次发生）。

总体来看，79% 的工程负责人认为 AI 智能体确实可以大幅加快代码生成，但随之而来的工作量转移——大量精力要投入调试以及“拆解” AI 生成代码，使得整体发布周期“并没有比以前更快”。

Undo 创始人兼 CEO Greg Law 总结调查结果时指出，工程师“花费数天时间试图弄清楚出了什么问题、为什么出问题”，面对的是“几乎正确但又不完全正确的代码”，并且“虽然智能体擅长快速编写大量代码，但在调试代码方面能力较弱”。

自 AI 编码智能体推出并被广泛采用以来，软件工程社区一直在广泛讨论它们的好处、局限性以及如何最有效地使用它们。一个反复出现的担忧是当智能体的代码生成速度超过人类审查代码的能力时该如何管理智能体的速度。这催生了多种主流方案，包括、等。然而，更广泛的共识是，AI 智能体并没有从根本上改变软件工程的本质，软件工程从来都不只是编写代码，而是理解约束、做出权衡，并确保最终系统按预期运行。

查看英文原文：https://www.infoq.com/news/2026/10/survey-complex-codebases-agents/

来源：Infoq