凌晨兩點的辦公室，程序員小李盯著屏幕上AI生成的第三版代碼，眉頭緊鎖。最初的需求很簡單——開發(fā)一個用戶登錄接口，AI僅用十分鐘就完成了任務，且測試全部通過。然而，隨著需求的不斷擴展：添加驗證碼、支持第三方登錄、接入權限系統(tǒng)、適配多租戶架構……代碼逐漸變得混亂不堪。第五次修改后，一個函數(shù)竟長達五百行，重復邏輯充斥其中，新增功能需要修改多個地方，每次改動都會引發(fā)其他功能的崩潰。最終，小李不得不推翻重寫整個模塊，邊敲鍵盤邊抱怨：“所謂的AI編程替代程序員，結果代碼越改越爛，最后還得我來收拾殘局。”

這種經(jīng)歷并非個例。近期，威斯康星麥迪遜大學與麻省理工學院的研究團隊將這一痛點轉化為行業(yè)基準，揭示了當前AI編程工具的致命缺陷：雖然能一次性完成簡單任務，但在長期迭代和需求變更的場景下，代碼質量會急劇下降，甚至比維護多年的“遺留系統(tǒng)”更糟糕。為此，他們開發(fā)了名為“SlopCodeBench”的評測框架，專門測試AI生成的“垃圾代碼”在迭代過程中的退化程度。

傳統(tǒng)AI編程評測通常采用“一次性任務”模式：給定一個完整且不變的需求，評估AI能否生成通過所有測試用例的代碼。這類測試類似于“開卷期末考試”，追求滿分卻脫離實際。現(xiàn)實中，開發(fā)過程更像“每天新增一門課程，教材內容不斷修改，學生需在舊筆記上補充內容，最終形成邏輯通順的教材”。這種差異導致“AI編程優(yōu)于人類”的結論存在嚴重誤導性——當項目需要數(shù)月迭代、數(shù)十次需求變更時，AI生成的代碼質量會迅速惡化，甚至比維護十年的老系統(tǒng)更難以處理。

SlopCodeBench的設計完全模擬真實開發(fā)場景的“痛苦模式”，堪稱AI編程的“地獄級高考”。該基準包含20個常見開發(fā)任務，如表達式解析器、代碼搜索工具等，每個任務拆分為93個逐步復雜的檢查點，對應產品經(jīng)理每周提出的新需求。例如，開發(fā)計算器的需求可能從“支持加減乘除”逐步擴展到“添加括號優(yōu)先級”“支持自定義函數(shù)”“增加錯誤日志”等。測試規(guī)則嚴格限制AI的能力：不提供內部接口設計、不暴露測試用例、必須在上一輪代碼基礎上修改。這些規(guī)則迫使AI像人類開發(fā)者一樣，面對模糊的需求文檔自行設計架構，并在迭代中維護代碼質量。

研究團隊聚焦兩個核心指標衡量代碼質量：結構侵蝕與冗余度。結構侵蝕指代碼邏輯過度集中于少數(shù)“超級函數(shù)”，導致維護困難。例如，一個最初20行的登錄函數(shù)，經(jīng)過多次需求擴展后可能膨脹至數(shù)千行，圈復雜度（邏輯分支數(shù)量）飆升至數(shù)百，修改一行代碼可能引發(fā)多處崩潰。冗余度則衡量代碼中重復、可簡化內容的比例，如相同參數(shù)解析邏輯在多處重復出現(xiàn)，或用冗長if-else替代循環(huán)結構。通過137條規(guī)則掃描與克隆代碼檢測，研究團隊量化了AI代碼的“廢料”比例。

測試結果令人失望：當前最先進的11個AI模型，包括Claude Opus 4.5/4.6、GPT 5.1-5.4等，均未能完成任何任務的全部檢查點。表現(xiàn)最佳的Claude Opus 4.6嚴格通過率僅17.2%，意味著10個項目中8個以上爛尾。更嚴峻的是，隨著迭代次數(shù)增加，80%項目的結構侵蝕持續(xù)上升，89.8%項目的冗余度不斷惡化。初期核心功能與全量測試的通過率差距僅1.4倍，后期卻擴大至13.3倍，表明代碼表面能運行，但邊緣邏輯已千瘡百孔。以電路模擬器任務為例，Claude Opus 4.6的main函數(shù)從初始84行膨脹至1099行，圈復雜度從29飆升至285，9處命令分支包含完全重復的參數(shù)解析邏輯，修改時需同步更新多處，否則必然報錯。

研究團隊將AI代碼與48個不同星標的Python開源倉庫對比，結果進一步打擊AI的信心：AI代碼的冗余度是人類代碼的2.2倍，結構侵蝕程度相同，違反設計規(guī)則的比例高達2.9倍。即便是以復雜著稱的scikit-learn（0.411）和scipy（0.457），其代碼健康度也顯著優(yōu)于AI。追蹤開源倉庫的提交記錄發(fā)現(xiàn)，人類維護的代碼質量通常保持穩(wěn)定或逐步優(yōu)化，而AI代碼每迭代一次質量就下降一級，且無停止跡象。這意味著，程序員吐槽的“公司祖?zhèn)鳡€代碼”，其質量仍優(yōu)于AI迭代數(shù)輪后的成果。

面對質疑，程序員嘗試通過優(yōu)化提示詞改善AI表現(xiàn)，例如要求AI“避免冗余代碼”“拆分函數(shù)”或“先提交設計方案”。實驗表明，初始代碼質量確有提升：冗余度降低33%-34%，前兩輪代碼更整潔。然而，退化速率未受影響，長期來看代碼仍會惡化至無法使用的狀態(tài)。更諷刺的是，使用“反冗余提示”的GPT 5.4項目成本從304美元飆升至450美元，通過率卻從37.2%降至27.1%——錢花得更多，結果更糟。原因在于，AI為追求初始質量消耗大量資源設計架構，但缺乏長期規(guī)劃能力，后續(xù)需求變更時仍會重復堆砌代碼，前期投入化為泡影。

AI在迭代開發(fā)中表現(xiàn)糟糕的根本原因，在于缺乏“設計紀律”。人類開發(fā)者編寫代碼時，會考慮未來擴展性：預留接口、抽象公共邏輯、標記待重構部分，并在修改時評估對現(xiàn)有功能的影響。而AI的決策基于“短期最優(yōu)”：當前需求能快速通過測試即可，后續(xù)變更引發(fā)的混亂不在考慮范圍內。這種思維差異導致AI代碼看似每輪獨立合格，整體卻如火藥桶般脆弱。當前評測體系獎勵“一次性完美”，卻忽視“長期可維護性”，進一步誤導了AI的訓練方向。

對于非技術讀者，需警惕“AI幾分鐘構建系統(tǒng)”的宣傳。軟件開發(fā)的真正成本在于后續(xù)維護與迭代，而非初始版本。AI雖能快速生成代碼，但每次修改都會累積技術債務，長期總成本遠高于人類開發(fā)。程序員則無需過度焦慮：掌握長期架構設計、能維護迭代項目的開發(fā)者，其價值遠超任何AI工具。使用AI時，應避免直接修改復雜核心邏輯，可讓其提供方案參考，再由人類控制架構并實施代碼審查。與其糾結提示詞優(yōu)化，不如關注AI代碼質量檢測工具——未來，“給AI擦屁股”可能成為程序員的日常任務之一。