为什么 AI 写的代码一 review 就露馅:五种气味与对应改法

📅 2026/11/15 ✍️ 小文 📖 约 1 分钟

AI 生成代码的问题不在于跑不通,而在于它总是用同一种方式跑通。本文总结五种可被 review 快速识别的高风险模式,以及每条对应的修复策略。

AI 生成的代码有个特点:测试能过,review 会觉得不对劲,但说不出哪里不对。

这种”说不出”正是风险所在。我复盘了过去半年团队里 60 多个 AI 参与的项目,把 review 时最容易卡住的模式归成了五类。它们不是语法问题,而是结构性的思维习惯差异——模型倾向于”局部正确、全局可疑”。

气味一:防御性代码泛滥,但防错了地方

模型特别爱写这样的开头:

def get_user(user_id: str) -> dict:
    if user_id is None:
        return {}
    if not isinstance(user_id, str):
        return {}
    if not user_id.strip():
        return {}
    if len(user_id) > 100:
        return {}
    ...

看着像健壮性,实际是问题被静默吞掉了。调用方拿到 {},以为用户不存在,于是流程继续往下走,最后在别处炸掉,堆栈里看不到真正原因。

模型这样写,是因为训练数据里防御性代码很常见,而”该不该抛异常”这种需要业务判断的决策,它没有信息。

改法:把”返回空值”换成显式失败,边界校验只做在最外层(API 入口),内层函数信任调用方。可以给模型一条团队级规则:“不要在内部函数里做参数兜底,让错误在边界处暴露。“

气味二:为了”完整”而虚构依赖与配置

AI 经常会引用一个不存在的库函数,或者写出 from utils.helpers import normalize_date,而 utils/helpers 里根本没有这个函数——但文件名和目录结构看起来都很合理。

更隐蔽的是配置文件幻觉:给一个 pydantic 模型加上 model_config = {"arbitrary_types_allowed": True},理由是”为了兼容”,但项目里根本不需要。这类东西不会报错,只会静静增加复杂度。

改法:

  • 要求 AI 在写代码前先 read 相关文件,而不是凭记忆补全;
  • review 时专门检查”新增的 import 与配置项”,逐个追问”这个真的需要吗”;
  • 把依赖声明收敛到一处,任何新增依赖必须单独提。

气味三:抽象层架得太早

给它一个需求,它常会生成三层:

OrderValidator → OrderService → OrderRepositoryImpl ← OrderRepository <<interface>>

一个只有 40 行逻辑的功能,被拆成一个接口、一个实现、一个 DTO、一个 mapper。每个类都合理,加起来是负担。

模型这样写,是因为训练语料里”好的企业代码”就是这样的。它不知道你的项目还没到这个规模。

改法:加一条 review 规则——新增文件数不得超过需求复杂度的直观需要。一个 CRUD 接口,改动文件超过 3 个就要解释。这条规则拦下的问题特别多。

气味四:错误处理只写 except,不写语义

try:
    result = process(data)
except Exception as e:
    logger.error(f"Error: {e}")
    return None

四个问题:捕获了 Exception(含 KeyboardInterrupt 之外的一切)、丢了堆栈、没有区分可重试与不可重试、返回值让上游无法判断。

改法:定义项目的错误分类(用户错误 / 系统错误 / 可重试 / 不可重试),让模型按分类写。同时统一用 logger.exception 保留堆栈,禁止裸 except Exception 后静默返回。

气味五:注释与代码说两件事

AI 写的注释有两个极端:

一是复述代码:# 遍历列表 for item in items:

二是描述一个不存在的意图:# 使用缓存减少数据库压力,但代码直接查了库。

第二种危害大得多,因为后人会相信注释。这类注释通常是模型从”类似代码”里继承来的,它没有真的读自己写的实现。

改法:review 时把注释当断言读一遍,逐条对照实现。另外,让 AI 生成 commit message 时要求它先 diff 再写,能显著减少这类偏差。

一份可以直接用的 review 清单

在团队的 PR 模板里加五条:

  • 有没有静默兜底(返回空值/默认值)掩盖了真实错误?
  • 新增的 import、依赖、配置项都能解释吗?
  • 新增文件数量与需求复杂度匹配吗?
  • 异常处理是否区分了错误类型,是否保留堆栈?
  • 每条注释都能在代码里找到对应实现吗?

五条过完,AI 代码的质量下限能提一大截。这不需要额外的工具,只需要在 review 时多问五个问题。

最后

AI 写代码的问题不是”写得差”,而是它写得像一个没见过你项目的人。所以最有效的改进,往往不是换模型,而是给它更多项目上下文,以及把团队的隐性约定显式写下来。

代码 review 的价值,在 AI 时代不是下降,而是改变了方向:从”找 bug”变成”找意图偏差”。

📤 分享到