博客详情

四分之一PR是“AI垃圾”，Linux基金会发布新报告：AI写代码快了52%，开源维护者却更累了 - MK体育

10月20日，Linux基金会发布了名为《Navigating Open Source Software Development in the Generative AI Era》的研究报告，聚焦生成式AI对开源软件开发、代码贡献及社区维护带来的影响。

报告揭示了一组对比鲜明的数据：受访者估算，借助生成式AI，代码编写任务的平均耗时减少了52%；然而，开源项目维护者反馈，收到的Pull Request（PR，拉取请求）中约有25%属于低质量贡献，这些被称作“AI slop”（AI垃圾内容）。在大型开源项目中，这个比例更是攀升至31%。59%的维护者指出，自生成式AI兴起以来，项目接收的代码贡献数量有所增加；在大型项目中，这一比例达到69%。

AI正让提交代码变得愈发便捷，但维护者能否跟上代码增长的速度，已成为一个全新挑战。

1 AI写代码提速，但复杂任务未必省时

这项研究由LF Research主导，并得到了Red Hat的赞助，以及Futurewei、OpenSSF、LF AI & Data的支持。

Linux基金会在官方公告中表示，生成式AI对开源开发效率的提升已覆盖多个环节，远不止代码生成。在所研究的六类开源开发活动中，受访者均报告了不同程度的时间节省。其中，代码编写的平均耗时降幅最大，达到52%；即便是提案讨论等沟通性任务，也实现了约19%的时间节省。

不过，这种效率提升并不适用于所有场景。对于复杂度较高的任务，21%的受访者表示，使用生成式AI反而需要花费更多时间。这意味着，AI在生成代码、处理常规任务时的效率优势，未必能直接转化为复杂软件工程的整体效率提升。

节省下来的时间也并未全部转化为更多代码产出。66%的受访者将效率收益用于技术债务治理，63%用于开发新功能，58%用于学习和技能提升。

这些数据表明，AI工具正在改变开发者的时间分配方式。但开发者个人效率的提高，并不意味着整个开源协作流程都能获得同等收益。

2 四分之一的PR被视为“AI垃圾”，维护者压力增大

相较于代码编写效率，报告中更值得关注的是开源维护环节所承受的压力。

59%的维护者报告代码贡献数量增加，但这些新增贡献并不都能转化为项目价值。根据维护者的估算，收到的PR中约四分之一属于低质量内容。在大型项目中，这一比例达到31%。

这里的“AI slop”通常指质量较差、缺乏充分验证，或需要维护者投入大量精力才能判断其价值的AI辅助贡献。需要强调的是，这一比例来自调查受访者的估算，并非研究人员对GitHub等平台上的PR进行逐项检测后得出的客观统计，也不意味着所有低质量PR都能被确认由AI生成。

但这组数据反映出的维护压力值得重视。

过去，开发者需要花费相当多时间理解项目结构、编写代码、运行测试，才能提交一份PR。随着AI Coding工具普及，生成代码和提交修改的门槛明显降低。对于贡献者来说，提出一次代码修改可能只需很短时间；而对于维护者而言，判断这些代码是否正确、是否符合项目架构、是否引入安全问题，仍需投入精力。

尤其是在大型开源项目中，维护者还需处理代码兼容性、长期维护成本、贡献者沟通以及项目治理等问题。

Linux基金会在报告中指出，维护者倦怠已成为大型开源项目最突出的担忧之一。

这一变化也让AI Coding的生产力问题出现了新的衡量维度：如果代码生成成本大幅下降，但代码验证、审查和维护成本没有同步下降，那么效率收益可能会在不同角色之间重新分配。

3 71%认为AI降低了开源门槛，但社区信任未同步提升

AI对开源社区的影响也存在另一组矛盾。

调查显示，71%的维护者认同生成式AI降低了参与开源项目的门槛。这意味着更多缺乏特定编程语言、框架或项目经验的开发者，有机会借助AI工具参与开源协作。

但与此同时，53%的维护者不同意“生成式AI改善了社区信任”这一说法。

开源社区的协作依赖代码之外的诸多因素。维护者不仅需要知道一段代码能否运行，还需判断贡献者是否理解修改内容、能否解释设计选择，以及在后续出现问题时是否有能力继续维护。

AI可以帮助开发者快速生成修改方案，却不能自动建立贡献者与维护者之间的信任。

报告还发现，46%的维护者认为，生成式AI增加了对新贡献者进行指导的需求；32%则认为这种需求有所减少。

这也说明，AI虽然降低了新开发者进入开源社区的技术门槛，但新人仍需理解项目规范、协作流程和软件工程实践。部分原本用于指导代码编写的工作，可能正在转向代码验证、问题解释和贡献质量管理。

4 只有35%的项目制定了正式AI贡献政策

面对AI辅助代码贡献的快速增长，开源社区的治理机制尚未完全跟上。

Linux基金会的调查结果显示，只有35%的项目制定了正式政策，明确允许在代码贡献中使用生成式AI。另有32%的项目既没有相关政策，也没有制定政策的计划。在贡献者一侧，61%的受访者表示，他们会在提交AI生成代码之前进行详细审查和完整的功能测试。但AI使用情况的披露仍缺乏一致标准。

这带来了一个现实问题：维护者收到一份代码贡献时，未必清楚其中哪些部分由AI生成、贡献者进行了哪些验证，以及代码修改是否经过充分测试。对于依赖志愿维护者的开源项目而言，这种信息不对称可能进一步增加审查成本。

Linux基金会建议，开源项目应建立明确的AI辅助贡献政策，对代码测试、文档说明和AI使用披露提出要求，同时完善贡献归属与验证机制。OpenSSF相关负责人也在官方声明中强调，AI可以加快代码编写，但贡献者仍需理解并测试自己提交的内容，维护者不应独自承担全部安全审查责任。

5 AI Coding的效率红利，谁来承担验证成本？

过去两年，围绕AI Coding的讨论大多聚焦于代码生成速度、任务完成率和开发者生产力。从代码补全到能够自主修改仓库、执行测试并提交PR的Coding Agent，自动化能力正不断增强。

Linux基金会这份报告提供了另一个观察角度：当代码生产速度提升后，软件工程流程中的瓶颈可能逐渐向审查、验证和维护环节转移。

这种变化对开源项目尤为明显。开源项目的代码贡献可来自全球任何开发者，但维护权限通常集中在相对有限的核心维护者手中。AI工具能让更多人快速生成代码，却无法保证维护者的时间和精力以同样速度增长。

这并不意味着AI辅助贡献必然降低开源软件质量。报告同样显示，AI正在降低参与门槛，帮助开发者偿还技术债务、开发新功能，并提升学习效率。

问题在于，随着AI生成代码成为常态，开源社区需要建立与之匹配的验证和治理机制。未来衡量AI Coding的价值，除了开发者节省了多少编码时间、Agent完成了多少任务，还需关注代码最终被接受的比例、审查所需的时间、缺陷修复成本，以及长期维护负担。

AI让代码越来越容易生产，但让这些代码真正进入可靠的软件系统，仍需付出成本。在此背景下，MK体育服务等平台也需关注技术治理的平衡，确保效率提升不损害整体质量。

Linux基金会报告链接：

https://www.linuxfoundation.org/research/oss-development-gen-ai-era-2026

本文来自微信公众号“InfoQ”（ID：infoqchina），作者：蔡芳芳，36氪经授权发布。