AI 智能体三周重构 30 万行 C 代码，Code Health 从 5.6 升至 10.0：代码真的变好了吗？

一句话结论

编码智能体在回放测试保障下重构反编译游戏代码库，代码健康度满分但方法论依赖特定条件。

关键要点

• 编码智能体在 3 周内重构《街头霸王 III：三度冲击》开源反编译项目的 30 万行 C 代码，产生 2903 次提交，修改 252055 行，token 成本约 4000 美元，Code Health 评分从 5.6 升至 10.0
• 两项核心机制支撑：CodeHealth MCP Server 提供确定性质量评分信号，回放轨迹测试框架通过逐帧比较回滚状态哈希验证正确性
• 智能体逐步积累形成 22 个方案和 82 条辅助说明的重构手册，包含 Extract Function、Guard Clauses 等通用转换及针对该代码库的特定方案如 Shared Index Range、Action Parameter、Uniform Step Table，并记录了导致评分下降的失败尝试
• 团队最终选用 Claude Opus 模型，报告称搭配 Opus 的 Claude Code 在识别和记录逐渐形成模式方面明显优于搭配 Sol 的 Codex；使用较小模型时文件评分常停滞在局部最优点
• CodeScene 预计该改进可使 AI 引入缺陷减少约 70%、token 浪费减少约 45%，但这两个数字基于早期研究推算而非本次实测；4000 美元成本和 3 周用时才是实际测量结果

背景与事实

CodeScene 发布了一项案例研究，记录编码智能体对《街头霸王 III：三度冲击》开源反编译项目中 30 万行 C 代码代码库进行重构的全过程。该代码库在 726 个文件中产生了 2903 次提交，修改了 252055 行代码，Code Health 评分从 5.6 提升至 10.0，整个过程耗时三周，token 成本约 4000 美元。CodeScene 创始人、《Your Code as a Crime Scene》作者 Adam Tornhill 称，在参与大型系统开发 30 年后，这是他第一次目睹所谓的大规模超人类 AI 表现。

这项工作的实现依赖两项核心机制。第一项是质量信号：CodeHealth MCP Server 为智能体提供了一个可供优化的确定性评分，用于判断一次转换是否产生了积极效果。第二项是正确性保障：一个回放轨迹测试框架逐帧比较回滚状态哈希，从而在每次更改后检查系统行为。更具新意的成果是智能体在工作过程中构建的内容——它们没有应用固定的重构目录，而是逐步积累了一套重构手册，最终形成 22 个方案和 82 条辅助说明。其中包括 Extract Function 和 Guard Clauses 等常见转换，也包括针对该代码库的特定方案：Shared Index Range 用于处理仅起止范围不同的重复循环；Action Parameter 用于处理主要区别在于所调用函数的重复控制结构；Uniform Step Table 则将异构调用转换为表驱动分派。失败的尝试也被记录下来，包括那些使 Code Health 评分下降的转换。

模型选择方面，团队最终决定使用 Claude Opus 完成大部分工作，并报告称，在识别和记录逐渐形成的模式方面，搭配 Opus 的 Claude Code 明显优于搭配 Sol 的 Codex。使用较小模型执行任务时，文件的评分经常停滞，看起来像是到达了一个无法进一步突破的局部最优点。从业者在 LinkedIn 上的反应出现了明显分歧，争议并不在于这件事是否发生，而在于这一结果究竟证明了什么。NeoSee 首席技术官、参与这项工作的两名工程师之一 Daniel Webb 回应质疑称，这些更改通过 54 个拉取请求合并到了一个分支版本的 main 分支中。技术负责人兼顾问 Konrad Otrębski 则提出更高的标准，认为对 AI 能力真正的检验是把这种重构服务提供给某个知名开源项目比如 Grafana，且完成的定义是将其合并到 master 分支。软件架构师兼研究人员 Tracy Bannon 反对的是对成果的描述方式，指出把结果描述为完美是一个相当大胆的说法。

影响分析

对中文开发者与从业者而言，这项案例研究提供了一套可参考的智能体重构方法论框架，但其直接适用性受限于两个关键前提：一是存在确定性的正确性验证机制，二是代码库具备可回放或可等价性检查的基础。对于拥有完善测试覆盖和可逆验证能力的团队，智能体驱动的持续重构可以作为降低技术债务的可行路径；而对于缺乏这些保障机制的遗留系统，直接套用该方案将面临验证成本远高于重构收益的风险。

在实践层面，智能体自主积累重构手册的发现表明，前沿大模型在长期代码重构任务中具备模式识别与知识沉淀能力，但这一能力对模型规模有明确阈值——较小模型容易陷入局部最优，提示团队在资源有限时不应盲目降低模型规格。此外，CodeScene 基于早期研究推算的"AI 引入缺陷减少约 70%、token 浪费减少约 45%"尚未在本次实测中得到验证，从业者在评估此类工具时应区分已证实数据与预期数据，避免将推算值当作确定性承诺纳入项目规划。

适用边界

该结论仅在以下条件同时满足时才具有较强外推性：代码库具备确定性的逐帧回放或等价性测试框架、重构操作可被细粒度验证且失败可被快速检测、团队有足够资源投入前沿大模型（如 Claude Opus 级别）并承受相应 token 成本。对于缺乏回放机制的传统业务系统、数据库操作密集的金融或医疗代码、以及需要实时一致性保障的分布式系统，该方案的正确性保障机制无法直接迁移，结论不成立。此外，CodeScene 预计的缺陷减少与 token 浪费降低比例基于早期研究推算而非本次实测，在缺乏独立复现前不宜作为项目决策的确定性依据。

孤本观察

编辑判断认为，这项研究真正的价值不在于"AI 能写多好的代码"，而在于揭示了智能体在长期重构任务中自主知识管理的潜力与局限：当验证机制足够强时，AI 可以逼近甚至超越人类工程师的持续重构能力；而当验证机制缺失时，同样的智能体输出可能只是表面健康、底层架构问题未解的"美化"。

孤本观察

编辑判断认为，该案例中"30 万行 C 代码、三周、4000 美元、评分 10.0"的数字组合之所以引发行业分歧，核心不在于数字本身的可信度，而在于它依赖的回放轨迹测试框架是反编译格斗游戏这一特定领域才具备的判定基础设施；将这一结果直接推广到不具备等价验证机制的通用遗留系统，存在方法论上的根本性缺口。

来源：InfoQ 中文 AI