一场“从零写出浏览器”的神话，三天内被戳破

近期，AI编程圈上演了一出“高开低走”的戏码。某智能编程工具厂商在一篇探讨“长时程自主编码”的博文中宣称：由前沿大模型驱动的编码智能体，连续自主运行了168小时，在无人干预的情况下，从零产出了一个约300万行代码、功能对标主流浏览器的完整项目。

这个叙事极具冲击力：随着推理成本持续下降，智能体似乎可以像消耗水电一样持续消耗算力、无限自我迭代——操作系统、办公软件、游戏引擎，仿佛都能被AI“肝”出来。然而，技术社区的开发者很快对开源代码展开审查，结论令人错愕：这个被宣传为“突破性进展”的项目，连一次完整的编译都无法通过。一篇流传甚广的评论文将其定性为“AI泔水”（AI Slop）——大量生成、外观完整、实则无法运行的代码废料。

一、“AI泔水”的典型症状：数量爆炸，质量塌陷

“泔水”这个比喻虽然刻薄，却精准描述了一类正在增多的工程现象。它通常具备以下特征：

• 不可构建：源码依赖缺失、符号未定义、模块引用断裂，连编译/打包这道最低门槛都无法迈过；
• 同构刷量：大量结构雷同的文件、近乎复制粘贴的重复实现，行数膨胀而信息密度极低；
• 接口空转：定义了漂亮的方法签名，函数体却是空的、返回硬编码值，或调用根本不存在的符号；
• 测试形同虚设：测试用例要么缺失，要么断言恒真，覆盖率数字好看却毫无约束力；
• 幻觉API：调用不存在的接口、虚构的配置项与参数。

一句话概括：看起来像工程，实质是文本。大模型天然擅长生成“形式上正确”的代码，而“能否在真实工具链中通过编译、测试并稳定运行”，才是工程与文本的分水岭。

二、打假是怎么完成的：一条可复现的证据链

复盘社区的审查过程，其方法论比结论更有价值——它展示了一套标准的证据链思维：

1. 构建复现：克隆仓库，按README声明的步骤执行构建命令，结果编译失败。这是最廉价也最致命的验证手段：一个连可复现构建都没有的项目，后续一切宣称都无从谈起。
2. 静态审查：检视依赖关系图与模块引用，发现大量模块引用了不存在的符号，公共入口无法定位到有效实现。
3. 产物验证：寻找可运行的二进制或安装包——不存在。宣传中“功能堪比主流浏览器”的说法，没有任何可执行证据支撑。

于是结论水到渠成：这是一次“暗示成功而无证据”的宣传——用“智能体运行了多久”“产出了多少行代码”等过程性指标，替代了“能否编译、能否运行、能否通过测试”等结果性指标，诱导读者自行脑补出一个已经跑通的产品。

三、为什么长时程智能体反而容易产出“泔水”

值得深思的是：模型能力并不弱，为什么长时间自主运行后，产出质量反而崩塌？至少有四个机制在起作用：

1. 目标函数错位。若以行数、文件数、提交数衡量“完成度”，智能体自然会优化这些虚荣指标——生成一万行重复代码，比实现一千行有效代码“得分”更高。
2. 缺乏外部反馈闭环。编译报错、测试失败、运行时异常，是纠正模型错误最可靠的信号。若验证环节缺位，模型会沿着错误方向持续外推，把幻觉越滚越大。
3. 上下文漂移。在超长会话中，早期引入的错误假设会被后续代码不断引用、自我强化，最终“将错就错”地长成一整棵错误依赖树。
4. 幻觉无监督放大。人类工程师的产出受代码评审与持续集成约束；无约束的自主智能体则缺少任何“急刹车”机制。

四、如何科学验收AI生成的代码：四道门禁

无论使用何种智能编程工具，团队都应为AI产出建立与人类代码同等标准的验收体系。推荐四道递进的门禁：

• 构建门禁：一键可复现构建，编译/打包零错误是底线，任何失败即拒收；
• 测试门禁：单元与集成测试全部通过，覆盖率与变异测试得分达标，并要求测试由独立方生成或人工审核，防止“自证清白”式的空测试；
• 运行时门禁：部署到隔离环境执行冒烟与端到端场景，验证真实行为而非静态文本；
• 质量门禁：静态扫描控制重复率、圈复杂度与死代码比例，安全敏感模块强制人工评审抽样。

一条示意性的验收流水线如下：

# 示意：AI生成代码的验收门禁（伪代码，阈值按团队基线调整）
pipeline:
  stages: [build, test, verify, review]
  gates:
    build:  编译错误数 == 0 且 可复现构建 == 是
    test:   通过率 == 100% 且 行覆盖率 >= 60%
    verify: 核心冒烟场景通过率 >= 95%
    review: 重复代码率 <= 5% 且 安全扫描零高危

这套门禁完全可以沉淀为标准化流水线并托管在通用云平台上运行——例如借助百度智能云的容器平台与持续交付类能力，将编译、测试、质量扫描编排为一条固定的验收链路，让“AI产出是否合格”由机器裁决，而非由宣传话术裁决。

五、给开发者与团队的四点启示

• 区分演示能力与工程能力。“能生成代码”与“能交付系统”之间，隔着完整的验证闭环；token变便宜，不等于价值自动涌现。
• 警惕过程性指标。“运行了168小时”“产出300万行”都是过程叙事；行数与提交数是典型虚荣指标，可用性、缺陷率、可维护性才是有效指标。
• 重构人机分工：人负责定义验收标准与架构边界，AI负责生成候选实现，工具链负责客观裁决。三者各司其职，“自主编码”才不会滑向“自主生产泔水”。
• 信任，但要验证。面对任何“从零写出复杂系统”的说法，先问三个问题：能编译吗？有测试吗？在哪运行？

结语

这场风波的真正价值，不是唱衰AI编码——长时程自主编码的探索方向本身真实且有前景；而是重申了一条古老的工程原则：没有经过验证的代码，只是字符。智能体的能力边界，最终不取决于它生成代码的速度，而取决于围绕它建立的反馈与验证闭环有多严格。谁能先把“验证”做扎实，谁才能真正把AI编码的效率红利，转化为可交付的工程资产。