AI 生成的气味：LLM 中的代码和架构分析以及代理驱动开发

大语言模型 在自动化软件工程中的承诺通常是通过功能正确性来衡量的，而忽略了长期可维护性的关键问题。本文对人工智能生成的软件中的技术债务进行了系统审计，揭示人工智能并没有消除缺陷，而是引入了明显的机器缺陷签名。我们的多尺度分析涵盖单文件算法任务和复杂的代理生成系统，确定了基本的推理复杂性权衡：随着模型变得更加强大，它们会生成越来越臃肿和耦合的代码。这种架构的衰退是如此明显，以至于我们建立了体积质量反比定律，其中代码量是结构退化的近乎完美的预测因子。至关重要的是，我们证明功能正确性和详细提示都不能减轻这种衰退。这些发现挑战了当前提示驱动生成的范式，将基于人工智能的软件工程的核心问题从代码生成之一重新定义为架构复杂性管理之一。我们的结论是，未来的进步取决于为代理提供明确的架构远见，以确保他们构建的软件不仅功能强大，而且可维护。