AI代码助手被拒率飙升,QCon演讲揭露模型与真实

AI生成的代码越来越多，但被合并的却越来越少。QCon London 2026上，Jeff Smith直接指出了这个让所有团队头疼的现状。

AI代码的“水土不服”

Jeff Smith讲了个大实话：现在的AI编码模型，跟真实世界的代码库是脱节的。模型训练用的都是几个月甚至更早的公开仓库快照，根本接触不到公司内部那些藏着掖着的代码。结果就是，AI能写出语法没毛病的代码，但一放到具体的项目里，就各种踩雷。

他举了个数据，从2022年到2025年，几个大型开源项目的PR里提到AI工具的次数暴增。但与此同时，PR的接受率却掉下来了。说白了，AI让码农们写得快了，但产出的东西能用的比例没上去，甚至可能还拖了后腿。

“The fundamental reason is that every repository has its own unwritten rules. These architectural constraints often live in the experience of senior engineers or in patterns embedded in a project’s commit history rather than in formal documentation.”

你想啊，一个项目里，组件怎么注册、依赖怎么处理、跨文件版本怎么同步，这些规矩可能只存在老鸟的脑子里，或者藏在几千条commit历史里。AI模型哪知道这些。

两类“潜规则”让AI抓瞎

Smith把代码库里的这些规矩分成了两大类。一类是架构规则，管的是系统本身怎么搭。比如上面说的组件注册模式、依赖处理机制。另一类是流程规则，管的是代码怎么改、怎么审。比如PR要怎么写、测试要达到什么标准、review流程是啥样。

最要命的是，这些规则很多时候是靠人工review来“心照不宣”地执行的，而不是靠自动化工具。所以AI生成的代码，在模型眼里完美无缺，到了资深工程师那，一眼就能看出“味儿不对”。

出路：给代码库建“指纹”

那怎么办？Smith提了个概念叫“代码库指纹识别”。说白了，就是系统性地把你这个代码库里那些独特的约束给挖出来、记下来。目标是把开发者心里知道但没写出来的那些隐性知识，变成人和AI都能看懂、能用的显性知识。

他还怼了现在评测AI编码模型的那套标准。解算法题、检查语法，这些通用任务根本测不出模型能不能在你自己的代码库里“活下来”。公司应该根据AI工具尊重自家代码库架构约束的能力来评估它们。谁能先把自家代码库的规则文档化、可操作化，谁就能在AI生成代码泛滥的时代占到大便宜。

“The growing mismatch between AI models and real repositories is not primarily a tooling problem but a knowledge management problem.”

最后他总结，AI模型和真实代码库越来越不匹配，这主要不是工具问题，是知识管理问题。工程团队其实已经掌握了指导AI辅助开发所需的知识，挑战在于怎么把这些知识显性化，并整合到生成代码的系统里去。

留言聊聊
你们团队用AI写代码，PR被拒的主要原因是什么？是架构不合规，还是流程不熟悉？

来源：InfoQ AI/ML｜原文：QCon London 2026: Refreshing Stale Code Intelligen