AI 编码代理真的能修复漏洞吗？
是的，而且它们在诊断问题方面表现出色。在一项5G电信网络工程任务的基准测试中，四种不同的人工智能模型对故障的诊断率均超过91%[3]。这意味着这些智能体在绝大多数情况下都能准确识别代码中的问题所在。然而，实际修复故障则是另一回事：同一研究发现，修复率——即智能体成功修补故障的百分比——仅介于10%至30%之间[3]。诊断与修复之间的差距表明，人工智能智能体在模式识别方面能力较强，但在进行正确且安全的修复所需的迭代编辑和领域特定推理方面则相对薄弱。
含义很明确：AI智能体可以帮助发现漏洞，但若完全依赖它们自主修复所有漏洞，许多问题仍将悬而未决。研究还发现，注入领域知识（如3GPP规范摘录）能提升与这些规范相关漏洞的修复率，但对通用防御性检查的影响微乎其微[3]。因此，漏洞类型至关重要。
能否在享受速度的同时避免技术债务？
部分如此——但这需要设置审慎的防护措施。Wiley 的研究表明，若为 AI 智能体提供关于代码复杂度的实时反馈（包括圈复杂度、可维护性指数及逻辑代码行数），便能显著降低补丁的复杂度增长，而解决率仅出现微小下降（降幅不足 1.3 个百分点）[2]。这是一种实用技巧：将复杂度视为与测试通过同等重要的质量关卡。组织还可制定明确的准则，规定 AI 生成代码的部署时机与方式，优先管理技术债务，并培养开发者以批判性思维审查 AI 输出结果 [1]。
然而，这其中存在一个隐患。AI工具本身也伴随着挑战：它们高度依赖训练数据的质量与数量，过度依赖可能导致技能退化，并产生千篇一律的代码库，最终产出平庸的产品[5]。同一篇论文警告称，随着组织越来越依赖AI，它们最终可能得到统一但不够卓越的代码——这是一种不同形式的技术债务。关键在于：AI编程代理能减少错误并提升速度，但若缺乏主动的复杂度监控和人工监督，它们将增加隐性的技术债务。证据一致表明，最快的路径并非最安全的路径。
关于这些来源
该答案基于5项研究（4篇经同行评审，1篇预印本）——发表于2025年至2026年，其中5篇来自2024年及以后，1篇发表于Q1–Q2期刊——这些研究是从通过质量筛选的5项研究中选出的最相关成果，而后者又源自从超过5亿篇论文数据库中检索到的45篇文献。
本文引用的文献
用生成式AI编码的隐性成本
生成式AI工具可将开发者生产力提升高达55%，但快速部署会带来危险的技术债务，尤其是在包含遗留系统的棕地环境中；该论文建议制定明确的指导方针和培训，以避免代价高昂的失败。
Wily：面向AI编程智能体的高性能复杂度门控反馈机制
在一项针对500个SWE-bench任务、使用两种前沿模型进行的对照研究中，采用复杂度门控反馈的AI智能体相较于仅使用测试反馈，平均复杂度增长降低了10%–27%，逻辑代码行数增长降低了8%–23%。然而，两种AI条件下的表现仍显著高于人类基线，证实了复杂度差距的持续存在。
SWE-Bench 5G：在电信网络工程任务中评估AI编程代理的基准
在一项针对5G电信任务的新基准测试中，四款AI模型对故障的诊断率超过91%，但仅能解决其中10%至30%的问题；注入特定领域的规范摘要虽能提升对依赖规范的故障的解决率，但对通用防御性检查类故障则无显著改善。
更快的代码，更深的债务？关于LLM辅助软件开发中技术债务及其早期迹象的多方文献综述
一项关于大语言模型辅助软件开发的多元文献综述发现，采用AI智能体后，部署后出现的漏洞数量在统计上显著增加，这表明存在隐藏的技术债务。
利用人工智能减少技术债务
AI驱动的工具能够主动检测问题并提出重构建议以减少技术债务，但其效果高度依赖训练数据的质量，若过度依赖，可能导致技能退化及代码库趋于单调。