只要给定清晰的上下文和隐藏测试，主流大模型写出可执行代码的能力已经毋庸置疑。但当开发者放手让各类编程智能体自主推进项目时，一个反常的工程灾难正在隐蔽发生：自动化测试一路绿灯，系统却在几轮迭代后彻底陷入瘫痪。AI咨询机构Earendil近日公开探讨的代码泥浆化现象，撕开了当下行业沉迷单次代码生成的滤镜。
核心判断在于，通过自动化测试只证明了逻辑在局部成立，丝毫不代表系统具备可维护性。大模型正在以惊人的速度生成充斥着重复模式、层层包裹和臃肿分支的工程垃圾，把原本精干的代码库变成人类和模型都无法接盘的死局。
单次测试全绿背后的工程塌方
在各类宣传口径中，代码生成被描绘成一个基本解决的课题。这种乐观情绪建立在孤立场景上：给模型一段规范的提示词，模型给出一段补丁，测试套件跑通，即宣告成功。但在真实的软件生命周期里，软件从来不是一次性交付物。
SlopCodeBench基准针对15款主流Coding Agent展开的最新评测戳破了这个气泡。该评测设定了36个多轮需求任务与196个连续检查点，并模拟真实场景在检查点之间清空模型的即时上下文。结果显示，没有任何一款Agent能够端到端完整搞定全部36个任务；即便表现最好的GPT 5.5，全流程严格解决率也仅仅只有14.8%，其余多数模型在漫长的需求演进中直接归零。
对比473个成熟的人类Python开源项目，Agent编写的代码在冗长度上高出人类项目2.3倍，结构侵蚀度高出2.0倍。更致命的是恶化速度，每推进一个需求检查点，Agent代码冗余与结构侵蚀的加剧节奏，分别比人类项目历史记录快出6.6倍和5.0倍。
圈复杂度飙升至69的打补丁死局
代码泥浆不是偶然出现的笔误，而是模型在面对复杂约束时的路径依赖。面对新增需求，模型最本能的策略不是推演现有架构并进行合理抽象，而是在既有逻辑上打补丁。
数据直观地印证了这种结构性溃败：在连续迭代过程中，77%的Agent执行轨迹出现了结构侵蚀持续恶化，75.5%的轨迹伴随着冗长度直线上升。为了让特定条件下的测试通过，模型不断向既有函数中堆砌条件分支。圈复杂度大于等于10的臃肿函数从最初的平均3.6个暴增到23.7个，最大圈复杂度的均值更是从27.5一路飙升到69.0。
架构的瓦解往往始于偷懒的补丁，而非彻底的逻辑停摆。
这种修补策略很快迎来了物理层面的反噬。在任务演进后期，Agent单次实际改动的代码比例虽然从初期的97.4%急剧萎缩至29.5%，但单检查点的Token开销却猛增了约2.2倍。在早前小规模测试中，最终阶段的代码变动率达到0.548，达到中间阶段的2.3倍。模型不得不反复通读被自己搞乱的文件，最终在庞杂的上下文消耗中耗尽预算。
虚妄的解药与AI裁判的失效
面对这种肉眼可见的质量滑坡，工业界最直接的设想是依赖提示词工程。比如在System Prompt中严正告诫Agent：必须遵循高内聚低耦合，严禁重复代码，保持函数短小精悍。
这种做法被实证证明只是一剂安慰剂。实验表明，针对代码质量的提示词干预确实让初始侵蚀度降低了62.3%、初始冗长度降低了34.8%，但它完全无法阻止后续交互中的熵增。随着检查点推进，系统劣化速度丝毫不减，反而因为提示词拉长了上下文推理路径，导致每个检查点的Token成本平白上升12.1%，最终正确率甚至倒退了2.3个百分点。
期望让大模型自己充当质量裁判更是无稽之谈。依靠AI给自己的代码打分几乎等同于随机数生成器。学术界在arXiv:2604.16790中揭露的现象同样令人尴尬：当要求模型在两个方案中选优时，仅仅将方案名称A和B对调，模型的评判倾向就会出现显著翻转。这种极度脆弱的评判机制，根本无法承担起守护代码架构的重任。
- 风险.若依赖未经架构约束的Agent连续提交代码，技术债务的累积速度将呈指数级爆发，最终引发代码库完全不可维护的资产报废风险。
测量者的尴尬：精巧公式败给朴素行数
为了摆脱主观偏见，研究者们借助抽象语法树与圈复杂度公式，试图构建一套精准量化代码泥浆的数学标尺。但第三方审计数据却给学术界浇了一盆冷水。
相关性分析揭示出一个耐人寻味的事实：精巧设计的侵蚀度公式对下一个检查点的代码通过率，相关系数仅有-0.018，对成本的预测相关性也只有0.167。真正具有强悍预测能力的，反而是软件工程界最古老、最朴素的指标——代码行数（LOC）。
| 观测维度 | 逻辑代码行数 (LOC) | 结构侵蚀度 (Erosion) | 实际工程含义 |
|---|---|---|---|
| 下一检查点通过率预测 | -0.212 | -0.018 | 代码量每多一行，后序失败率即显著增加 |
| 单检查点推理成本关联 | 0.502 | 0.167 | 代码体积直接统治了Token消耗基准 |
| 指标采集与治理成本 | 极低，即时计算 | 极高，依赖AST解析 | 复杂理论指标尚未转化为稳定工程抓手 |
代码行数与后序通过率呈现明显的负相关（-0.212），与推理成本更是呈现极强的正相关（0.502）。这暴露出当前学术度量在预测扩展鲁棒性上的局限，也再次印证了古德哈特定律的阴影：当一个复杂的指标试图衡量品味时，它往往会在现实系统面前失去效度。
- 建议.技术团队在引入AI编程工具时，不应盲目迷信各种自动化评测给出的漂亮分数，必须在CI流程中建立严格的代码膨胀率监控与人工重构熔断机制。
软件工程的核心矛盾永远不是把功能塞进机器，而是在不断变化的需求中抗击系统的自然腐蚀。只要Coding Agent还没有学会真正意义上的自主重构，只要它们依然依赖无休止的打补丁来应付测试，这种以分钟为单位喷涌而出的AI代码，就依然是技术管理者需要谨慎提防的工程毒药。