代码能跑，只是故事的开始
LLM 写代码，已经快写到“满分”了。
隐藏测试一跑，绿点全亮，功能正确，仿佛万事大吉。但一位来自 Earendil 的研究者最近泼了盆冷水：代码能跑，和代码能看、能维护，完全是两码事。
“vibe coding” 的人越来越多——对着 AI 说需求，看它哗哗出代码。问题是，每加一个功能，代码量可能爆炸式增长。几百万行代码按月堆进去，人类根本追不上。更糟的是，你指望 AI 自己收拾这堆烂摊子？抱歉，它自己也搞不定。
这就是今天的故事：我们怎么衡量代码的“油腻感”。
AI当裁判，基本等于掷骰子
行业里最常见的做法，是让 AI 给代码打分。
最偷懒的版本：让模型在 1 到 10 之间评个分。作者的评价很直接——这基本等同于随机数生成器。
高级一点，拿 A、B 两个方案让模型选。结果换个文件名、改个变量名，模型的偏好就可能跟着变。作者半开玩笑地说，大模型在这方面稍微稳点，但核心问题没变：让 LLM 评判自己写的代码，替代不了真正的评估。
“Asking LLMs to judge the code they write is not a substitute for a proper evaluation.”
Rubrics、模型自己写测试，这些方向有趣，但离真正去掉“油腻”还远。
人类当裁判，又慢到没边
那让人来评？
如果不考虑工程师水平参差不齐，人工判断确实是保证代码可读性的最佳方案。但代价也很真实：不可扩展。
你要训练 AI、要横向对比 GPT/Claude/Gemini，要跑大规模基准，不可能每次抓一群人逐行品鉴。评论区有人补充得更狠：真正要命的“技术债”往往不是局部代码丑，而是全局结构烂。人类和 AI 一样，注意力有限，局部问题可以顺手修，全局问题却能拖垮整个项目。
所以问题变成：有没有一种又快、又准、还不太主观的尺子？
最简单的指标，反而最扎眼
作者的实验里，有一个指标出奇地好用——代码行数（LOC）的净增量。
代码越写越臃肿，往往就是 sloppy 的信号。但作者也提醒：这指标有个讽刺的 bug——一旦你开始优化它，它立刻失效。
更靠谱的工具来自 SlopCodeBench 论文，它提出两个概念：
- Verbosity（冗余度）：衡量重复、啰嗦的代码有多少。
- Erosion（侵蚀度）：衡量代码质量是否集中在少数几个巨大复杂的函数里。
数据一摆出来，差距触目惊心：
| 指标 | 成熟仓库 | AI 生成代码 |
|---|---|---|
| Verbosity | 0.15 ± 0.06 | 0.33 ± 0.10 |
| Erosion | 0.31 ± 0.17 | 0.68 ± 0.20 |
AI 代码的平均冗余度和侵蚀度，几乎是人类代码的两倍。 作者还检查了自己 vibe coding 的项目，冗余度最高到 0.4，侵蚀度高达 0.75。这不是偶然。
0%通过率的警告
SlopCodeBench 的测试方式也很“狠”。
别的基准通常一次性给完指令，再跑隐藏测试。它反过来：多轮指令、多轮测试，每次检查点之间清空模型上下文，模拟真实开发里的迭代过程。
结果呢？即使是最先进的模型，严格通过率也是 0%。
为什么？因为糟糕的代码决策会一轮一轮累积。你今天让 AI 加功能，它可能顺手复制一段、多包一层、再埋个坑；下一轮失忆的 AI 继续往上叠，直到代码变成一座摇摇欲坠的塔。
“Which should be a warning sign to everyone who happily adds tens of thousands or even hundreds of thousands of LOC a day.”
每天开开心心追加几万、几十万行代码的人，真的该警醒了。
评论区没有放过这个问题
Hacker News 上的讨论，把问题又撕深了一层。
有人说，成本才是真相：用 frontier model 无限制 token 时确实爽，一旦按 token 付费，“人力的性价比突然就回来了”。也有人指出，代码不只是跑在内存里的程序，它是团队共同心智模型的载体。如果人类被挤出编码过程，谁来持有这个模型？提示词天然是条“有损信道”。
还有人走了一条更务实的路：自己做“架构审查 Agent”，把圈复杂度、LCOM、代码 churn 这些老指标重新捡起来。甚至有人开源了 Valknut，想用信息论原则约束 Agent 的代码结构。
最一针见血的评论大概是：AI 实验室死磕“正确性”，只因为正确性最容易验证、最容易做 RLHF。 加一个几乎重复的函数不会导致测试失败，但会让项目慢慢窒息。
那么，谁来收拾这摊子？
作者最后说，评估代码油腻感很难，人类直觉和品味仍然或明或暗地嵌在评价体系里。
但这条路不能停。耦合度、代码 churn、内聚性……这些老派指标，可能都需要在 AI 时代重新被定义、被量化。
“Measuring programming progress by lines of code is like measuring aircraft building progress by weight.”
代码能跑，只是最低门槛。当 AI 把写代码变成流水线，人类真正的价值，也许不再是写更多代码，而是守住那座不塌的城。
问题是，我们准备好当那个“守城人”了吗？
【锐评】：AI 把代码正确率卷到天花板，却把“油腻”留给了明天的人类买单。
参考链接：
https://earendil.com/posts/measuring-code-sloppiness/