AI 生成的代码与重复代码：该检查什么

如果你搜索过「AI 生成代码 技术债务」「重复代码检测」或「代码克隆检测」，那么务实的答案是这样的：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即可。

这就是 AI 时代的重复代码问题。代码可能能够编译。测试可能能够通过。拉取请求看上去可能也合情合理。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。本文是面向那些正在权衡该先检查什么的团队的精简版本。

这些搜索词都是大白话

这一领域的 Google Trends 主题推荐并不是「Type-2 克隆」或「Type-3 近似克隆」这类学术标签。它们是工程师和管理者真正会搜索的短语：

• AI 生成的代码
• 技术债务
• 重复代码
• 代码重复
• 代码克隆检测
• vibe coding（凭感觉写代码）

这些短语之所以重要，是因为它们描述的是实际运营层面的问题。一个团队通常不会问「我有 Type-3 克隆吗？」它问的是「AI 是不是刚把同一条业务规则塞进了三个地方？」

AI 生成的代码会制造技术债务吗？

会的。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、仓库形态的答案。当提示词与此前的任务相似时，答案往往也会呈现出熟悉的形态：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，在日后则代价高昂。

研究方向也在朝同一个方向发展：

• Code Copycat Conundrum 研究了 LLM 生成代码在字符、语句和代码块层面的重复现象。
• An Empirical Study of Code Clones from Commercial AI Code Generators 报告了所研究的商用代码生成器可量化的 Type-1 和 Type-2 克隆率。
• Debt Behind the AI Boom 研究了生产仓库中由 AI 编写的提交所引入的技术债务。

这些都不意味着每一行 AI 写的代码都是糟糕的。它意味着 AI 生成的代码应当接受与人类代码相同的、仓库级别的审视，只是要更快。

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. 精确重复代码：复制后仅改动了格式或注释的相同代码。
2. 重命名的重复代码：结构相同、但变量名或常量不同。
3. 近似重复代码：逻辑大体相同，但插入、删除或重排了若干语句。
4. 行为相同、代码不同：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 采用了这些思想，但详细的算法说明放在了研究背景中，因此本文不再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找出显而易见的复制粘贴。当 AI 改变了表层形态时，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挪进了另一个类。
• 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，使得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 把网撒向近似重复，并可选择性地加入嵌入（向量嵌入）以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成一个 bug。把它当成一个决策。

提取（Extract）：当这些副本显然是同一个抽象、并且会一起变化时。

复用（Reuse）：当其中一份实现已经是更好的事实来源、其余的应当调用它时。

接受（Accept）：当重复是有意为之时——夹具、生成代码、兼容垫片，或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而在不知不觉中接受了它。

为什么 Deslop 要给发现项排名

一份包含 200 条无序发现项的重复代码报告，不过是又一个待办积压。Deslop 按影响对簇进行排名，使得第一项就意味着是回报最高的审查目标。

这对 AI 编码智能体很重要。智能体不需要一堵克隆数据的墙。它需要一个小而结构化的答案：

• 哪个重复簇最重要，
• 字节范围在哪里，
• 这个簇为什么被标记，
• 信号来自结构、词法相似度，还是嵌入。

这就是 Deslop 以 JSON 为先的原因，也是 LSP/MCP 路径存在的原因。AI 能够快速制造重复代码；反馈回路就必须同样贴近编辑动作。

常见问题

重复代码总是技术债务吗？

不是。有些重复代码是有意为之，比起它将要替换的那个抽象更省事。Deslop 的职责是把证据呈现出来，而不是强制重构。

这只是 AI 的问题吗？

不是。代码克隆方面的文献比现代 LLM 早了几十年。AI 之所以重要，是因为它能加快重复逻辑出现的速度。

LLM 能不能自己审查自己的代码是否重复？

有时可以，但确定性的报告更便于审计。Deslop 会指向文件、字节范围、信号评分和报告 schema 字段。智能体可以读取那份报告，然后制定重构计划。

学术背景在哪里？

先从 Deslop 的研究背景开始，再顺着链接的论文继续。最相关的入口是：

• Clone Detection Using Abstract Syntax Trees
• Syntax Tree Fingerprinting for Source Code Similarity Detection
• SourcererCC: Scaling Code Clone Detection to Big Code
• Unveiling the potential of large language models in generating semantic and cross-language clones
• Are Classical Clone Detectors Good Enough For the AI Era?

AI 生成的代码并非天然就是糟糕的代码。但如果它制造重复代码的速度快过你团队的审查速度，那么维护账单就是实实在在的。趁代码还新鲜时去度量它。