Agents三周重构30万行代码，从业者质疑其证明力

CodeScene 发布了一份案例研究，称编码智能体在三周内重构了一个 30 万行的 C 代码库，代币成本约为 4000 美元。这项工作产生了 2903 次提交，涉及 726 个文件，修改了 252055 行代码，代码库的 Code Health 分数从 5.6 提升到 10.0。该代码库是取自开源反编译项目的《街头霸王 III：三度冲击》。

CodeScene 创始人 Adam Tornhill 称，这是他从事大型系统工作三十年来第一次见到所谓规模化的“超人级 AI 表现”。但从业者在 LinkedIn 上的反应明显分裂，争论集中在结果能证明的范围，而非结果是否发生。

支撑这项工作的有两个机制。第一个是质量信号：CodeHealth MCP Server 为智能体提供了确定性评分，用于优化并判断某次转换是否有帮助。第二个是正确性：回放轨迹测试框架逐帧比较回滚状态哈希，以便在每次改动后检查行为是否正确。

有从业者认为，多数重构主张依赖绿色测试套件，而测试套件只能说明测试存活；对一款格斗游戏回放轨迹，门槛要高得多。这一评价本身是来源中的从业者观点，而非独立验证。

比分数更值得注意的是智能体在过程中积累的东西。它们没有套用固定目录，而是积累了一套重构手册，最终包含 22 条配方和 82 条辅助笔记。手册中既有 Extract Function 和 Guard Clauses 等常见转换，也有针对该代码库的配方：Shared Index Range 捕捉仅起止范围不同的重复循环，Action Parameter 处理主要区别在于调用哪个函数的重复控制结构，Uniform Step Table 把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 变差的转换。这一点在来源中被作为过程记录呈现，而非结果指标。

团队大部分工作最终选用 Claude Opus，并称 Claude Code 配 Opus 在捕捉和记录新出现的模式上明显优于 Codex 配 Sol。当较小模型执行任务时，文件往往陷入平台期，似乎到达了无法突破的局部最优。

这些是团队自身的说法，属于来源主张。较小模型遇到的平台期是否代表模型能力上限，来源未给出定论。

怀疑者的火力集中在范围上。技术负责人 Konrad Otrębski 提出，真正的测试应是把这种重构服务提供给 Grafana 等知名开源项目，并以合并到 master 作为完成标准。参与该工作的工程师之一 Daniel Webb 回复称，代码已通过 54 个拉取请求合并到某个 fork 的 main 分支。

这意味着工作对象是开源反编译代码，而非产生收入的 production 代码；代码合并到的是某个 fork 的 main 分支，而非上游主仓库。案例研究由 CodeScene 自行发布，结果未经独立第三方验证。

Asko Nõmm 提出了方法论问题：由于 Claude Code 和 Codex 针对各自模型调优，结果中有多少衡量的是模型、多少衡量的是测试框架并不清楚，成本也会同样变化。他还指出架构质量未被衡量，代码看起来健康不代表根本问题不会在后期浮现。

Denis Baltor 则质疑所发现的配方本身，认为 DRY 原则关注的是知识与意图的重复，而非相同代码行的重复，那些仅起止范围不同或仅调用函数不同的配方，可能混淆了两者。Tracy Bannon 认为把结果描述为“完美”相当大胆，对表述本身提出异议。

若干未答问题来自作者一方。Marc Bouvier 问非功能性表现是否改善，考虑到帧率、内存占用和输入延迟对一款游戏很重要；Webb 表示将引入性能专家。被问及测试框架是否捕捉到细微的帧时序回归时，他说可能没有确定答案，因为它作为 pre-commit hook 运行，部分失败在未被观察到的情况下就被修复了。

把这些放在一起，可以谨慎推断：这项案例研究在“智能体能否在受控信号下大规模改写代码”这一维度上提供了具体证据，但在生产环境适用性、架构质量、非功能性表现和归因拆分上，都还留着缺口。分歧之所以存在，是因为双方对“证明了什么”设定的门槛不同，而不是因为对事实本身有争议。