AI编码代理应优化以减少自有代码

随着人工智能使代码生成变得廉价，软件开发的成本重心正从生成转向代码所有权。开发者需要认识到，大多数现代软件并非从零开始编写，而是由操作系统、数据库、云服务、框架、API、库、容器和开源基础设施组装而成。黑鸭（Black Duck）2026年开源安全与风险分析报告显示，在审计的商业代码库中，97%包含开源代码，70%的扫描代码源于开源，平均每个应用包含911个开源组件。这意味着软件工程的核心不再是发明新算法，而是选择、集成、配置、保护、升级和维护已有组件。

然而，当前AI系统（如基于LLM的编码助手）的衡量标准仍是生成的代码量。GitClear 2026年的报告指出，自2023年以来，长期遗留更新下降了74%，重构移动量暴跌70%。增加代码只需一次击键，而理解和整合现有系统却需要大量努力，导致代码库陷入“只写模式”——新功能不断增加，旧层却无人问津。

这种矛盾源于代币经济学：AI系统的收入与生成的代币数量挂钩，而生成代码消耗大量代币。这造成了软件维护负担、环境足迹增加，而激励机制却鼓励持续生成。有经验的工程师则遵循不同的原则：在构建新功能前，他们首先思考问题是否能通过复用现有能力、采用成熟依赖、扩展现有服务或直接避免需求来解决。

开源具有生成代码所缺乏的经济特性：成功的解决方案成为共享资产，可无限复用，每个用户都能强化生态系统。未来，AI应帮助开发者减少模块数量，使用经过更好测试的构建块，并协作分摊安全扫描成本。为此，我们需要一个生态系统智能层，为编码代理和人类提供关于代码质量、审查、许可、安全、维护活动等信息。

像ecosyste.ms这样的平台正在发挥关键作用。它们每天处理约3000万API请求，其中约200万来自OpenAI和Anthropic等AI训练机器人。这些数据可帮助AI系统做出更好的决策：何时生成新代码，何时复用现有代码，何时完全避免添加软件。

最终，最优秀的AI编码代理并非生成代码最多的代理，而是能够证明新代码必要性的代理。通过分析训练语料库的健康状况，我们可以维持一个健康的生态系统，支持人们找到最佳开源项目，并促进协作而非孤立工作。这正是未来AI编码的方向。