這項由斯坦福大學主導的研究發表於2026年4月，論文編號為arXiv:2604.20779v1，歸檔於cs.AI領域。有興趣深入了解的讀者可通過該編號在arXiv平台查詢完整論文。
**研究背景：一個被忽視的大問題**
每天都有數以百萬計的軟體開發者在使用AI編程助手寫代碼。這些工具聲稱能大幅提升效率，各大科技公司的報告也充滿了令人振奮的數字。然而，有一個核心問題長期以來幾乎無人能夠回答——這些AI助手在真實工作場景中，到底表現如何？
這不是一個無關緊要的問題。當我們說"AI助手幫我寫了代碼"，背後藏著很多值得追問的細節：這些代碼最終真的被用上了嗎？程序員在過程中需要糾正AI多少次？AI寫出的代碼安全可靠嗎？以前，這些問題的答案要麼來自經過精心設計的實驗室測試，要麼來自企業自己發布的宣傳材料，兩者都難以真實反映開發者的日常體驗。
斯坦福大學的研究團隊決定徹底改變這一局面。他們構建了一個名為SWE-chat的數據集，收錄了來自真實開源項目、由真實開發者與AI編程助手進行的完整對話記錄。這是同類數據集中第一個同時包含完整人機對話、AI工具調用軌跡，以及精確到每一行代碼的"這行是人寫的還是AI寫的"歸屬資訊的數據集。截至2026年4月，數據集已收錄來自200多個公開GitHub倉庫的近6000個編程會話，超過6.3萬條用戶指令，以及35.5萬次AI工具調用，總計270萬個記錄事件。
**一、數據是如何收集的——給代碼裝上行車記錄儀**
要理解這項研究的價值，得先弄清楚數據是怎麼來的。研究團隊藉助一個名為Entire.io的開源工具完成了數據採集工作。這個工具的運作方式有點像給汽車裝行車記錄儀——開發者在自己的電腦上安裝這個工具後，工具會自動在後台靜默記錄每一次與AI編程助手的對話，包括開發者輸入了什麼、AI回應了什麼、AI調用了哪些工具（比如讀取了哪個文件、執行了什麼命令），以及最終提交到代碼庫的是哪些內容。
更精妙的是，這個工具還會將對話記錄與git版本控制系統深度集成。簡單來說，git是程序員用來追蹤代碼變更歷史的工具，每一次代碼修改都會留下記錄。Entire.io通過在git提交節點插入鉤子程序，能夠在代碼被正式保存時，精確標註出哪些行是人類寫的、哪些行是AI寫的。這就像在每篇文章的每一行旁邊，都標註了"作者：張三"還是"作者：AI助手"。
參與數據採集的開發者需要主動選擇加入，並將自己的會話日誌推送到公開的GitHub分支。研究團隊通過查詢GitHub代碼搜索接口，自動發現並下載這些公開的記錄。這套流程完全自動化、持續運行，數據集因此成為一個"活的"數據集，會隨時間不斷擴充。從2026年1月到4月，累計用戶提示數量呈現出陡峭的上升曲線，增長速度相當驚人。
當然，這種採集方式也有其局限性。參與的開發者都是主動選擇使用Entire.io的早期採用者，他們不一定代表所有程序員群體。此外，如果開發者完全放棄了AI生成的代碼，這個會話根本不會被提交到代碼庫，也就不會出現在數據集中。這意味著數據集可能略微高估了AI的成功率。研究團隊在論文中坦誠指出了這些局限，體現了相當的研究嚴謹性。
**二、三種不同的人機協作模式——從"完全自己來"到"完全交給AI"**
數據分析揭示了一個非常有趣的規律：在這6000個會話中，人類和AI之間的分工方式呈現出極端的兩極化分布，中間狀態相對稀少。研究團隊據此將所有會話歸納為三種截然不同的編程模式。
第一種模式被稱為"人類主導編程"，占所有會話的22.7%。在這些會話中，最終提交到代碼庫的代碼全部由人類自己編寫，AI更像是一個聰明的參考工具，被用來解釋代碼、排查問題、或者處理版本控制操作，而不是直接生成代碼。
第二種模式叫做"協作編程"，占36.5%。在這裡，人類和AI共同貢獻了最終提交的代碼，AI負責其中超過0%但不足99%的部分。兩者各司其職，相互配合。
第三種模式最引人注目，叫做"氛圍編程"（vibe coding），占40.8%。在這些會話中，超過99%的最終代碼都由AI生成，人類更像是一個監督者和驗收者，而不是真正意義上的代碼編寫者。這個詞源於編程社區，描述的是那種幾乎把所有代碼生成工作都甩給AI、自己只管提需求和審查結果的工作方式。
令研究團隊印象深刻的是，氛圍編程的比例在短短三個月內翻了一番——從2026年初的約20%增長到4月份的超過40%。換句話說，越來越多的開發者正在將代碼生成的控制權整體轉讓給AI。這是一個正在加速發生的趨勢，而不是某種邊緣現象。
從整體數字來看，所有提交到代碼庫的代碼中，55.8%是由AI撰寫的。但如果只看中位數，這個數字是73.3%，說明在更多的會話中，AI承擔了大部分甚至絕大多數的代碼生成工作。這兩個數字的差異，恰恰說明了那種雙峰分布的存在：許多會話幾乎全是人寫的，另一批會話則幾乎全是AI寫的，中間狀態反而不多。
**三、開發者到底在用AI做什麼——超出你想像的用途多樣性**
在研究團隊對所有用戶提示的意圖進行分類後，一個出乎意料的發現浮出水面：開發者最常向AI提出的請求，並不是"幫我寫這個功能"，而是"幫我理解這段代碼"。
具體來看，26.6%的提示被歸入"其他"類別，說明編程場景的多樣性難以簡單歸類。在明確分類的請求中，理解現有代碼或程序行為是最常見的單一意圖，占所有提示的19.0%。創建新代碼以13.4%排在第二位。日常開發任務同樣占據相當比例：git版本控制操作占13.4%，調試排錯占13.0%。代碼重構占9.2%，編寫測試占4.0%，設置系統連接占1.0%。
這個分布揭示了一個被現有AI基準測試嚴重忽視的現實：真實世界中的開發者並不主要把AI當成代碼生成機器，他們更多地將其用作代碼理解工具和日常工作助手。然而，幾乎所有的AI編程能力評測（如SWE-bench等知名基準）都聚焦於"能否修復這個bug"或"能否實現這個功能"，對AI在代碼理解、版本控制輔助等任務上的能力測量幾乎是空白。
在AI的工具調用層面，數據同樣很有啟發性。AI每次響應用戶請求時，往往會連續執行多個操作。從工具類型分布來看，讀取文件（19.8%）和編輯文件（19.6%）是最常見的兩類操作，合計約占所有工具調用的四成。git相關命令（11.9%）、grep搜索（10.1%）和構建命令（8.0%）也是高頻操作。
從時間順序來看，AI在處理一個請求時有固定的行為模式：在對話開始時傾向於使用讀取、搜索和git等資訊收集工具，隨著工作推進，文件編輯、寫入和構建命令的比例逐漸增加。這就像一個認真的工匠，先把圖紙看清楚，再動手施工。
**四、用戶的行為習慣——為什麼AI總是挨罵**
研究團隊不僅分析了AI的行為，還對用戶的互動風格進行了系統分類。他們將每個會話中的用戶歸入四種"行為人格"之一。
最常見的人格是"挑剔專家"，占所有會話的39.7%。這類用戶技術能力強，目標清晰且穩定，但對執行細節極度講究。他們會針對AI輸出的每一個細節給出精確的糾正意見，但整體方向不會變化——就像一個對廚師有很高要求的食客，要求改火候、換調料，但始終點的是同一道菜。
排在第二位的是"模糊請求者"，占33.5%。這類用戶傾向於給出籠統的指令，把大量決策權交給AI，也不太會對細節進行糾正。他們的典型提示是"幫我把這個做好"之類的寬泛表述。
"其他"類型占19.9%，通常是會話太短或行為模式不明顯導致無法歸類。
"善變者"是最少見的類型，只占7.0%。這類用戶會在會話進行到一半時改變整體目標，要求AI推倒重來。前面看的一個典型例子是：用戶先讓AI隱藏一個命令行指令，AI按要求完成了，然後用戶說"我想了想，乾脆把這個命令徹底刪掉"。
一個特別值得關注的細節是，就算在氛圍編程會話中，挑剔專家依然是最常見的用戶類型，比例達到47%。這說明即便把代碼生成工作全權交給了AI，大多數開發者仍然保持著對輸出結果的高標準要求，遠沒有完全"放手"。
另一個對比鮮明的觀察是：現有的AI編程基準測試往往在一開始就給出完整詳盡的問題描述，假設用戶的需求是清晰而完整的。但真實場景中，用戶更多時候是在看到AI的第一次輸出之後，才開始清晰化和細化自己的要求。這是測試環境和真實環境之間的一個根本性差異。
**五、AI的效率真相——超過一半的代碼被扔掉了**
這是整篇論文中最讓人清醒的部分。研究團隊設計了一套精密的指標體系來衡量AI生成代碼的實際效用，核心發現是：所有AI生成的代碼中，只有44.3%最終進入了用戶提交的版本，其餘55.7%都被丟棄了。
研究團隊對"丟棄"的原因做了進一步拆解。最主要的浪費來源是"人類刪除"——AI生成了代碼，但用戶直接決定不提交這些代碼，比例高達42.2%。其次是"人類改寫"，用戶覺得AI的代碼方向對了但具體實現不滿意，自己動手改掉，占9.3%。還有"AI自我改寫"，這發生在用戶反饋後AI將自己之前的代碼重寫的情況，占6.6%。
在三種編程模式之間，效率差異也相當懸殊。協作編程模式下，AI生成的代碼只有38.2%的編碼效率（即考慮了AI的自我改寫開銷後，最終進入提交的比例），代碼存活率為44.1%。氛圍編程模式下，存活率看上去更高，達到59.0%，但這很可能部分反映的是用戶審查力度的降低，而非AI質量的提升。
成本和時間方面，氛圍編程的開銷遠超協作編程。以每100行最終提交代碼為基準，氛圍編程消耗的token數（AI處理資訊量的計量單位）約為協作編程的3倍，美元成本的中位數為0.13美元，協作編程只需0.05美元，人類主導編程需要0.07美元。時間上，協作編程是最高效的，每100行提交代碼只需4.8分鐘，而氛圍編程需要12.6分鐘，人類主導編程需要8.6分鐘。在用戶自己花費的提示字符數（可以理解為溝通成本）上，氛圍編程同樣是最高的。
協作編程在所有維度上都是最高效的工作模式。這個發現頗具諷刺意味：當前業界正在大力推動的全自主AI編程趨勢，恰恰是效率最低的工作方式。研究團隊明確指出，這並不是在論證不應該使用AI，而是在揭示當前AI的運作方式存在大量可以改進的空間。
**六、安全危機：AI寫的代碼有多不安全**
研究團隊對所有代碼提交進行了安全掃描，使用的是Semgrep這款開源靜態分析工具。這個工具能夠在代碼中識別已知的安全漏洞模式，比如SQL注入（黑客通過特殊輸入操控資料庫的攻擊方式）、命令注入（通過惡意輸入讓程序執行危險命令）、路徑遍歷（繞過限制訪問不該訪問的文件）等。
掃描結果令人擔憂。以每1000行提交代碼引入的新漏洞數量為指標，人類主導編程模式引入了0.08個新漏洞，協作編程引入了0.14個，而氛圍編程引入了0.76個——大約是人類主導編程的9倍，是協作編程的5倍多。
有人可能會說，AI寫的代碼量更多，所以引入漏洞的絕對數量多是正常的。但這裡的統計已經是每1000行的比率，排除了代碼量的影響。換句話說，AI在氛圍編程模式下寫出的代碼，本身就更容易存在安全問題。
研究團隊還觀察到，氛圍編程也修復了更多漏洞（每1000行0.52個，相比人類主導的0.04個），這反映出AI處理的代碼改動中安全相關內容更多。但無論在哪種模式下，新引入的漏洞數量都多於修復的漏洞數量，而氛圍編程中這一差值最大。
從漏洞類型來看，最常見的是JavaScript路徑拼接未做安全處理，其次還有不安全的格式字符串、缺失完整性校驗、作業系統命令注入和SQL注入等。這些都是程序安全性中的經典問題，理論上每個有經驗的開發者都應該規避，但AI在沒有明確約束的情況下顯然並不能可靠地做到這一點。
論文中提供了一個具體的Python代碼漏洞例子：AI生成了一個函數，直接將用戶傳入的參數拼接進shell命令字符串並用`shell=True`執行，這是一個教科書級別的命令注入漏洞——任何人只要傳入特殊字符，就能在伺服器上執行任意命令。
**七、誰在掌控局面——AI獨立作業越來越久，用戶反推越來越多**
研究團隊對會話中的"控制權交接"進行了深入分析，揭示了一個有趣的動態格局。
從AI主動暫停的角度來看，在所有Claude Code的會話輪次中，AI只在1.1%到2.6%的輪次中主動停下來向用戶提問尋求澄清。氛圍編程模式下，這個比例更低。換句話說，AI幾乎從不說"我不確定，你的意思是...嗎？"它更傾向於自己做決定、繼續執行。
與此形成鮮明對比的是，用戶的干預頻率要高得多。在所有輪次中，用戶在AI仍在工作時直接打斷（硬中斷）的比例為3.3%到6.0%，這個數字在整個數據收集期間保持穩定，不隨時間變化。打斷最常發生的時機，是AI剛剛完成規劃準備進入執行階段、進行git操作或編輯文件的時候——這些都是用戶覺得"等一下，不對"的關鍵節點。
更普遍的是軟性反推，也就是在AI完成一輪輸出後，用戶在下一次提示中對AI的輸出進行糾正、拒絕或報告問題，而不是直接打斷。總體來看，所有輪次中有39%到41%包含了某種形式的用戶反推，而且這個比例在三種編程模式下幾乎相同。
用戶反推被分為三種子類型：糾正（用戶指出AI的方向或理解有誤，提供正確資訊）是最常見的，其次是失敗報告（用戶反映AI的代碼不能正常運行），拒絕（用戶明確表示不接受AI的輸出，要求重來）相對較少。
從時間趨勢來看，AI的單輪工作時長在悄悄增加。中位數仍然不到1分鐘，90百分位數不超過7分鐘，但最頂端的0.1%已經超過了100分鐘。這意味著AI正在變得更加自主，能夠在沒有人類干預的情況下工作更長時間——但這種自主性的增加，並沒有伴隨著更少的錯誤或更高的代碼質量。
**八、多數會話成功，但失敗案例很有價值**
對所有會話進行綜合成功率評分的結果顯示，90%的會話獲得了50分以上的評分（滿分100分），說明AI在大多數情況下還是能夠完成用戶的基本需求的。會話成功率的總體均值為82分，中位數為82分。有趣的是，人類主導編程模式的平均成功率略低於協作和氛圍編程，這可能是因為在人類主導模式下，AI主要承擔輔助理解和解釋的角色，這類任務本身更難評判是否成功。
研究團隊對評分最低的50個會話進行了人工審查，發現了幾類典型失敗模式。最常見的是用戶在AI給出有效輸出之前就中止了會話。還有一類是AI經過大量搜索工具調用後依然無法找到相關代碼，陷入死循環。有會話因為AI被提示詞中提到的使用配額耗盡而強制中止（"你的額外使用量已耗盡，凌晨1點重置"）。也有AI能夠診斷出問題所在，但拒絕實際修復的情況。還有AI將任務轉給子代理但什麼也沒執行的情況。
這些失敗案例中有一個印象深刻的例子：用戶請AI修復歷史列表卡片動畫出現緩慢的問題，具體是容器動畫太慢。AI在第一次和第二次回應中都修改了單個卡片的動畫參數，用戶兩次指出錯了，請AI先弄清楚哪個參數控制容器動畫再修改。會話最終在沒有任何提交的情況下結束，評分只有10分。
**總結：一面鏡子，照出真實的AI編程**
歸根結底，SWE-chat這個數據集和基於它的分析，做了一件非常簡單但極有價值的事情：把AI編程助手從測試台搬到了真實的工作桌上，如實記錄下發生的一切。
這幅圖景既有令人鼓舞的部分——超過一半的提交代碼由AI完成，大多數會話最終達成了用戶目標——也有需要認真對待的隱患：超過一半的AI生成代碼被丟棄，氛圍編程模式下代碼安全漏洞率是人類編程的9倍，而AI幾乎從不主動尋求澄清。
對於普通用戶來說，這項研究的最直接啟示是：和AI協作寫代碼，保留自己的判斷和介入，效果往往比完全放手給AI更好、更安全、成本也更低。完全的"氛圍編程"在效率和安全性上都付出了相當大的代價。
對於研究者和工具開發者來說，這項研究指出了幾個明確的改進方向：讓AI學會在適當的時候主動尋求確認，而不是一路悶頭執行；設計出能反映真實協作過程的評測基準，而不是繼續用精心設計的單輪問題來評估多輪交互工具；以及從真實的人機互動數據中訓練能模擬用戶行為的模擬器，降低評估成本。
SWE-chat是一個會持續更新的活數據集，研究團隊承諾定期發布新數據，隨時間追蹤AI編程行為的演變。這意味著我們終於有了一面持續更新的鏡子，能夠看清AI編程工具在現實中真正的樣子——而不僅僅是實驗室條件下最好的模樣。對這個領域感興趣的讀者，可以通過arXiv編號2604.20779查找原論文，數據集和代碼也以開源形式對外開放。
---
Q&A
Q1：SWE-chat數據集是什麼，它和以前的AI編程數據集有什麼不同？
A：SWE-chat是斯坦福大學構建的真實開發者與AI編程助手的對話數據集，包含近6000個真實會話。它最大的不同在於同時擁有三項其他數據集都缺失的內容：真實用戶提示、完整的AI工具調用軌跡，以及精確到每行代碼的人類與AI歸屬標註。之前的類似數據集（如SWE-smith、CoderForge等）只有AI自動化軌跡，沒有真實用戶參與，也無法區分哪行代碼是誰寫的。
Q2：氛圍編程為什麼被認為效率更低，不是AI做了更多工作嗎？
A：氛圍編程中AI確實寫了更多代碼，但問題在於大量代碼被浪費了。以每100行最終提交代碼為基準，氛圍編程消耗的token是協作編程的約3倍，美元成本是協作編程的2.6倍，耗時也接近協作編程的3倍。協作編程的效率更高，因為人類的實時參與幫助AI少走彎路，減少了無效代碼的生成量。
Q3：AI寫的代碼為什麼比人寫的代碼更容易出現安全漏洞？
A：研究通過Semgrep安全掃描發現，氛圍編程每1000行引入0.76個新漏洞，是人類主導編程（0.08個）的約9倍。原因在於AI在生成代碼時往往優先滿足功能需求，不會像有經驗的人類開發者那樣自動規避常見安全陷阱，比如直接拼接用戶輸入執行shell命令。而且AI幾乎不會主動說"這裡有安全風險"，錯誤只能等用戶檢查時才會被發現。
