# 代码干净不会让 AI 编程助手更聪明，但能让它少走弯路

> 原标题：你不需要为 AI 把代码擦得像样板间，但你需要让它找得到路

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-07-09T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/43535
- 原文：https://yage.ai/share/agent-code-cleanliness-context-hygiene-20260709.html

## 摘要

SonarSource 用 Claude Code 跑了 660 次对照实验，比较干净代码和脏乱代码对 agent 的影响。结果有点反直觉：两边任务通过率几乎没差别，差距不到 1 个百分点。但干净代码让 agent 少消耗了 7.1% 的输入 token 和 8.5% 的输出 token，反复打开同一个文件确认的次数也少了 34%。在多模块任务里，输入...

## 推荐理由

SonarSource 用 Claude Code 跑了 660 次对照实验，比较干净代码和脏乱代码对 agent 的影响。结果反直觉：任务通过率几乎没差别，差距不到 1 个百分点，但干净代码让 agent 少消耗 7.1% 输入 token 和 8.5% 输出 token，反复打开同一文件确认的次数也少了 34%。数字具体、实验设计清楚，Hacker News 上有讨论佐证。HKR 全中。扣分项：正文没披露任务类型和难度分布，结论适用范围有限，但作为工程实践参考已经够用。

## 锐评

这篇论文最反直觉的结论是：把代码收拾干净，AI 编程 agent 的任务通过率几乎没变，两边差距不到 1 个百分点。但干净代码确实帮 agent 省了事——输入 token 少花 7.1%，输出 token 少花 8.5%，反复打开同一个文件确认的次数少了 34%。在多模块任务里，文件重复访问甚至降了 50.8%。

实验本身有局限，得先打个折。SonarSource 用自动化工具生成了干净和脏乱两组代码做对比，但真实世界的脏代码是业务退化、多人维护和历史事故搅在一起的产物，不是几个规则违规就能模拟的。作者自己也承认，没跑完整的回归测试，所以不清楚干净侧和脏乱侧的非目标模块有没有被连带破坏。加上 SonarSource 本身卖静态分析工具，问题定义难免带着自家产品的视角。

不过，这篇论文真正有用的地方在于把“干净代码对 AI 有什么用”这个模糊问题拆开了。它证明价值不在成功率，而在降低 agent 找路和确认的上下文成本。投入产出比最高的几件事很具体：保持单一事实源，别在多处维护同一逻辑的不同版本；清理死代码和废弃的旧模式，因为 agent 会把它们当活代码对待；显式标注模块边界，让 agent 的上下文窗口天然包含正确信号。这些不是审美洁癖，是给机器消费的上下文基础设施。