代码整洁度影响编码智能体吗

背景

随着自主编码代理（coding agents）的快速普及，评估这些代理性能的主要标准一直集中在任务完成率上，且测试时通常保持目标代码库不变。然而，一个关键问题被忽略了：底层代码的结构和风格质量——即代码的“整洁度”（cleanliness）——是否会影响代理导航和修改代码的能力？现有研究更多关注模型选择、提示工程（prompting）和工具链（harness）对代理行为的影响，但代码本身的质量作为一个独立变量，尚未被系统研究。为此，来自学术界的研究团队提出了一种基于最小对比对（minimal pairs）的评估协议，旨在将代码整洁度的影响与代理能力本身隔离开来。

核心内容

该研究引入了一种新颖的评估方法：构建在架构、依赖项和外部行为上完全匹配，但在静态分析规则违反次数和认知复杂度（cognitive complexity）上存在差异的代码仓库对（repository pairs）。这些对比对由代理管道（agent pipelines）以双向方式生成：要么将一个整洁的仓库故意“劣化”（degrade），要么将一个混乱的仓库“清理”干净。研究团队共创建了6个这样的对比对，并设计了33个任务，通过应用程序公共接口的隐藏测试（hidden tests）来评估代理的表现。

实验使用 Claude Code 进行了 660 次独立测试。结果表明：

• 任务通过率不受影响：代码整洁度并未改变代理的通过率（pass rate）。无论是整洁代码还是混乱代码，Claude Code 完成任务的总体成功率没有显著差异。
• 操作足迹显著变化：代理在整洁代码上工作时，平均使用的 token 数量减少了 7% 到 8%，同时文件重访（file revisitations）次数降低了 34%。这意味着整洁代码虽然不影响最终能否完成任务，但显著提高了代理的工作效率——消耗更少的计算资源，导航更高效。

这一发现表明，传统软件工程中关于代码可维护性（maintainability）的原则，在 AI 驱动的开发时代仍然高度相关。实际上，代码整洁度已成为继模型选择、工具链和提示工程之后，又一个能实质性影响代理行为的因素。

关键要点

• 研究团队设计并实现了基于最小对比对的评估协议，能够隔离代码整洁度这一变量，避免代理能力差异带来的干扰。
• 共构建6个双向对比对（整洁→劣化、混乱→清理），并设计了33个具体任务，通过隐藏测试客观评估。
• 在660次实验中，Claude Code在整洁和混乱代码上的任务通过率无显著差异。
• 但在整洁代码上，代理的 token 消耗减少 7%～8%，文件重访次数减少 34%，说明运行成本和导航效率明显改善。
• 代码整洁度被确认为影响代理行为的关键因素之一，与模型选择、工具链和提示工程并列。
• 传统可维护性原则（如减少认知复杂度、遵守静态分析规则）对 AI 代理同样重要，甚至更加凸显其经济价值。

意义与影响

这项研究填补了编码代理评估中的一个重要空白：之前的研究多聚焦于代理本身的能力（如模型大小、推理方法、上下文窗口），而忽略了代码质量对代理行为的影响。该工作通过严谨的对照组设计，证明了代码整洁度并不影响代理的“能不能完成”，但却显著影响“完成得有多高效”。这为 AI 辅助开发的工程实践提供了直接指导：

1. 成本优化：对于需要大规模使用编码代理的团队（例如 CI/CD 流水线中自动修复代码），保持代码整洁可以直接节约 token 费用和计算时间。7%～8% 的 token 节省在长期运行中累积可观。
2. 效率提升：34% 的文件重访减少意味着代理在整洁代码中能更准确地定位目标，减少不必要的往返搜索，这有助于提升开发迭代速度。
3. 代码评审与重构的 ROI 重新计算：过去可能认为代码整洁度只是“人类开发者可读性”的考量，现在发现它同样影响 AI 代理的经济效益，因此投资于代码清理和静态分析工具的使用有了新的量化回报。
4. 未来研究方向：该研究的协议（最小对比对 + 隐藏测试）可推广到其他编码代理（如 GitHub Copilot、Cursor、OpenAI Codex 等），并进一步探索不同语言、框架下整洁度影响是否一致。此外，文件重访的减少是否与更少的心智负担（cognitive load）等价，也值得深入分析。

总之，这项工作提醒我们：在 AI 驱动的软件开发浪潮中，代码质量不再是“审美”问题，而是实实在在影响成本和效率的工程因素。传统软件工程的最佳实践，正以新的形式重新获得价值。