标题图,展示针对 AI 生成代码的四层重复代码检查清单。
博客 chevron_right AI 生成的代码与重复代码:该检查什么

AI 生成的代码与重复代码:该检查什么

AI 并不需要生成有缺陷的代码,就能让一个代码库更难维护。它只需在有人注意到之前,用两种略有差异的形态把同一个想法实现两遍。

这就是 AI 时代的重复代码问题。代码也许能够编译。测试也许能够通过。拉取请求也许看上去合情合理。但此时仓库里已经有了两份实现,将来需要同样的修复。

完整的实现脉络,请参阅 Deslop 文档页面:研究背景。本文是面向正在决定先检查什么的团队的精简版本。

AI 生成的代码会制造技术债务吗?

会。这种风险并不神秘,也并非 AI 独有。几十年来,人类一直在复制代码。变化的是吞吐量。

AI 编码助手能够快速产出一个看似合理、形似仓库的答案。当提示词与此前的任务相似时,答案往往也带着熟悉的形态:又一个仓储类、又一个校验函数、又一个映射器、又一个重试包装器、又一个测试夹具。这在当下很有用,日后却代价高昂。

研究方向也在朝着同样的方向推进:

这些并不意味着 AI 写的每一行代码都很糟糕。它意味着 AI 生成的代码应当接受与人类代码相同的仓库级重复检查。

重复代码检查应当查找什么?

一项实用的 AI 时代重复代码检查不应止步于精确的行匹配。它应当查找四个层次的相似性:

  1. Exact duplicate code:复制时仅改动了格式或注释的相同代码。
  2. Renamed duplicate code:结构相同,但变量名或常量不同。
  3. Near-duplicate code:逻辑大体相同,但语句有插入、删除或重排。
  4. Same behavior, different code:用不同语法解决同一问题的两份实现。

经典的代码克隆检测研究将它们称为 Type-1、Type-2、Type-3 和 Type-4 克隆。Deslop 借鉴了这些思想,但详细的算法说明位于研究背景,因此本文不会重复整个文档页面的内容。

为什么行匹配还不够

基于行的重复代码工具擅长发现显而易见的复制粘贴。当 AI 改变表层形态时,它们就力不从心了:

  • customerId 变成了 accountId。
  • foreach 变成了推导式。
  • 一个辅助函数被复制后移入了另一个类。
  • 同一条校验规则以不同的分支顺序被重写。

这正是 Deslop 从解析后的语法树而非原始文本入手的原因。它用 tree-sitter 解析每个文件,然后剥离标识符名和字面量名,使重命名后的副本仍能匹配。它对树结构进行指纹提取,借助兄弟节点窗口和 MinHash 把范围扩大到近似重复,还可以选择加入嵌入来匹配行为相同的代码。简而言之:它先比较代码结构,而不是先比较行。

完整的审计链路见工作原理和研究背景。

发现重复代码后该怎么办

不要把每个克隆都当作 bug。把它当作一个决策。

Extract:当这些副本显然属于同一个抽象,并且将来会一起变化时。

Reuse:当其中一份实现已经是更好的权威来源,而其余实现应当调用它时。

Accept:当重复是有意为之:夹具、生成的代码、兼容垫片,或者两条现在看起来相似、但预期会分道扬镳的路径。

错误不在于接受重复,而在于因为无人度量,在不知不觉中接受了它。

针对 AI 生成拉取请求的审查清单

AI 代码审查工具只会对眼前的那份 diff 发表意见。重复代码通常是 diff 之外 的代码的问题:新函数本身没问题,但仓库里早就有了一个。审查者可以对任何 AI 辅助的拉取请求依次核对五个问题:

  1. Does this already exist? 搜索新代码所完成的工作,而不是它的名字。智能体很少复用它所复制的那个函数的名字。
  2. Is it a renamed copy? 把新函数的结构与最接近的现有函数进行比较。名字和常量不同但控制流相同,就是 Type-2 克隆。
  3. Did a fix get copied, or only the bug? 如果原函数后来修复过 bug,检查副本是否包含该修复。
  4. Will these change together? 如果对其中一个的修改总是需要另一个做出同样的修改,它们就应当合为一个函数。
  5. Is the duplication deliberate? 测试夹具和生成的代码可能是有意重复的。把它们标记出来,让报告保持可读。

前两个问题在大型仓库中最难靠肉眼回答,因此正是工具发挥作用的地方。Deslop 用覆盖整个仓库的结构分析来回答它们,而不仅仅是 diff。配合 --diff 和 --only-changed,CLI 只报告触及拉取请求新增行的簇,这样较旧的债务就不会淹没新复制的代码。

Vibe coding 与重复代码

当代码主要因为能运行就被接受时——正如 vibe coding——没有人会读得足够仔细,以至于记得某个辅助函数早已存在。这不是反对快速迭代的理由,而是支持使用一个记得住的自动化检查的理由。Deslop 的 MCP 服务器为 Claude Code、Cursor、Codex 和其他 MCP 客户端提供了 find-similar 工具,可在编写新代码之前调用;VS Code 扩展则会在文件变化时显示新出现的簇。AI 智能体介绍了相关设置。

为什么 Deslop 要给发现项排名

Deslop 按影响对簇进行排名,让影响更大的发现排在前面。

这对 AI 编码智能体很重要。智能体不需要一面克隆数据的墙。它需要一个小巧、结构化的答案:

  • 哪个重复簇最重要,
  • 字节范围在哪里,
  • 该簇属于哪个类别,
  • 以及在编辑前如何用 compare-pair 检查任意两个副本。

这就是 Deslop 以 JSON 为先、并且提供 LSP/MCP 路径的原因:编辑器和编码智能体都能在贴近编辑操作的位置读取同一份结构化发现。