AI生成的拉取请求是否会改变软件工程的教学方式？

AI拉取请求揭示了学生需要哪些新技能？

AI智能体编写代码的方式与人类截然不同，这改变了学生需要学习的内容。一项针对AI智能体1254次与性能相关的代码变更的研究发现，其中37%是名称修改，26.4%是对象创建，22.7%是类型变更——这一模式与人类编写的代码完全不同，人类编写的代码中84%的变更是“无变更”（即人类主要对现有代码进行微调）[1]。这意味着学生不能依赖对“典型”代码变更的直觉判断；他们需要学习AI智能体的思维方式及其产生的变异类型。

合并冲突是另一个新常态。一项基于14.2万多个AI生成的拉取请求的数据集发现，其中27.67%导致了合并冲突——这意味着每10个AI贡献中就有近3个无法顺利整合[7]。这一比例远高于大多数人类提交的拉取请求，且因代理类型而异。如今，学生需要接受明确的冲突解决与集成测试训练，而不仅仅是学习如何编写能编译的代码。

AI代理也会以可预见的方式出错，学生应当学会识别这些错误。一项对12,433个AI生成的拉取请求（PR）的分析发现，84.2%被拒绝的PR在关闭时未收到任何审阅者的反馈——即无声失败[2]。而在那些确实收到评论的PR中，主要原因是指令不匹配和逻辑缺陷。这意味着学生需要培养识别AI误解需求或引入细微逻辑错误的能力，而这些技能在常规编程课程中通常不会教授。

软件工程课程应如何适应AI生成的贡献？

证据表明，重点正从“编写代码”转向“管理AI贡献”。一项针对248项关于AI系统软件工程研究的2022年调查发现，测试与质量被广泛研究，但软件维护却被忽视[5]。这一缺口至关重要，因为AI智能体生成的代码需要持续维护与审查。课程应整合AI辅助的拉取请求审查工具——正如2025年一项研究设计所提议的那样——以教导学生如何根据需求评估AI生成的变更[3]。

情境感知的AI反馈比通用型AI辅导更有效。一项针对26名学生的对照研究发现，当AI审阅工具获得项目背景信息（如PR描述和评论）时，学生认为其反馈更准确、更有用[4]。这表明，教会学生如何为AI工具提供良好的上下文信息，以及如何解读情境感知的反馈，是一项可习得且能提升效果的技能。

然而，AI辅导存在局限性。一项将GPT-3.5作为AI导师整合到编程评估系统中的案例研究发现，尽管学生认可其及时反馈和可扩展性，但也有人担忧AI可能因提供泛化回答而阻碍学习进度[8]。这意味着教育者不能简单地将AI工具交给学生并期望它自动完成教学，而需要设计作业，让学生主动批判并改进AI生成的代码，而非全盘接受。

各项研究在哪些方面存在分歧？这对教学意味着什么？

研究一致认为人工智能改变了格局，但对于这种改变是利大于弊，还是主要成为新问题的来源，各方看法不一。一方面，2026年的一项研究发现，人工智能生成的PR（拉取请求）被拒率随时间显著下降，表明智能体在满足代码库标准方面表现越来越好[2]。另一方面，同一项研究也发现，84.2%的拒绝是“沉默拒绝”——即不提供任何反馈——这意味着学生如果不知道PR被拒的原因，就无法从失败中学习。

另一个矛盾点在于：AI代理主要在开发阶段而非维护阶段优化性能[6]。这对快速原型设计有利，但对长期运行的软件不利。一项涵盖248项研究的调查证实，基于AI的系统的软件维护在研究中被忽视了[5]。因此，如果教育者只教学生使用AI进行初始开发，他们将错过长期维护AI生成代码这一更困难的技能。

这种冲突并非真正的矛盾，而是反映了人工智能应用的不同阶段。早期研究（2022-2024年）侧重于风险与失败案例[5][8]，而后期研究（2025-2026年）则显示出接受度提升，但整合挑战依然存在[2][7]。对教学而言，这意味着课程设置现在就需要更新，既要涵盖当前的失败模式，也要纳入新兴的最佳实践——因为这一领域正在快速发展。

关于这些来源

该回答基于8篇经同行评审的研究构建而成——发表于2022年至2026年间，其中7篇为2024年或之后发表，1篇发表于Q1期刊，累计被引用101次——这些研究是从8篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程又源于从超过5亿篇论文数据库中检索到的56篇论文。

本文引用的文献

相关研究问题