AI 編碼代理人如何改寫 Pull Request 及其對程式碼審查的衝擊
研究發現 AI 編碼代理人產出的 Pull Request 在 GitHub 上被審查較少、合併更快、討論也較少；但不同分析方式會使趨勢相反，顯示表面變化不等於原因。研究者從大量技術部落格與 Reddit 討論中抽樣，建構因果模型，指出程式碼審查是 AI 影響軟體的關鍵控制點，最終效果仍由團隊專業與審查流程決定。
研究動機與方法
隨著 AI 編碼代理人開始自行產出完整的 Pull Request，業界對程式碼審查的未來產生激烈討論。過去的倉庫挖礦研究僅能捕捉表面趨勢，卻少有說明背後機制。研究團隊以 GitHub 公開活動為觀測點，發現代理人提交的 PR 被審查的次數較少、合併速度快數倍、討論量也較低。但在不同的分析選擇下，這些趨勢甚至會顛倒。
大規模實務討論的量化分析
為揭開機制，研究者收集了 38,709 份來自工程部落格與 Reddit 的灰色文獻，篩選出與程式碼審查實質相關的內容，並以大型語言模型輔助的管線隨機抽樣 3,100 篇進行編碼。最終構建出包含 26 個構念與 67 條關係（其中 64 條為有向關係、3 條為爭議性關係）的因果模型。
核心發現
模型的核心主張是：程式碼審查是決定 AI 編碼代理人對軟體影響的控制點，AI 本身不會決定正向或負向效果。最終結果由團隊帶入的專業知識以及審查流程的設計所左右。此模型將「AI 正在改變程式碼審查」的說法具體化為可驗證的命題，並列出相關構念與調節因素。
次要貢獻
除了理論本身，研究團隊亦公開了 LLM 輔助的灰色文獻理論建構方法，提供軟體工程研究者一套可擴展的範本。
延伸閱讀
- AI 科學家：全自動科研系統首次通過機器學習會議審稿
- Every Eval Ever：以 JSON Schema 統一 AI 評估結果的社群資料庫
- 以 EvalStop 抑制 RLHF 獎勵過度最佳化的早期停止機制
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
