這項(xiàng)由加拿大皇后大學(xué)（Queen's University）與魁北克大學(xué)高等技術(shù)學(xué)院（ETS - Québec University）聯(lián)合開展的研究，于2026年4月發(fā)表于ACM旗下的學(xué)術(shù)期刊，論文編號為arXiv:2604.09409，感興趣的讀者可通過該編號查閱完整原文。研究團(tuán)隊(duì)分析了81個(gè)開源代碼倉庫中的4550條AI生成的"代碼合并請求"（可以把它理解為AI工程師提交的一批工作成果）以及3276條人類工程師提交的同類成果，專門考察了一個(gè)此前從未被系統(tǒng)研究過的問題：當(dāng)AI替我們寫代碼時(shí)，它們是否也會像有經(jīng)驗(yàn)的工程師一樣，在代碼里留下"運(yùn)行日志"？

要理解這個(gè)問題的重要性，先聊聊"運(yùn)行日志"究竟是什么。以你家的熱水器為例，如果它內(nèi)置了一個(gè)小本子，每隔一段時(shí)間就自動(dòng)記錄"當(dāng)前水溫38度"、"加熱元件正常工作"、"某處管道壓力異常"，那么當(dāng)熱水器某天突然不出熱水時(shí)，維修師傅翻開這個(gè)小本子，就能快速判斷是哪里出了問題。軟件系統(tǒng)里的"日志"（Log）扮演的正是這個(gè)小本子的角色。它記錄程序在運(yùn)行過程中發(fā)生的各種事件，幫助工程師在系統(tǒng)出問題時(shí)快速定位原因，或者在日常運(yùn)營中監(jiān)控系統(tǒng)健康狀況。沒有日志，系統(tǒng)出了故障就像在黑屋子里找一只黑貓——不是不可能，但極其痛苦。日志太多，又像是把整棟樓的噪聲都錄下來找某一句話，同樣令人頭疼。如何在"記錄足夠多"和"不記錄廢話"之間找到平衡，是軟件工程師憑經(jīng)驗(yàn)?zāi)ゾ毘鰜淼氖炙嚒?/p>

現(xiàn)在，AI代碼助手大量涌現(xiàn)，它們能接受人類用自然語言描述的任務(wù)，自主規(guī)劃、編寫代碼，并提交工作成果。問題來了：這種手藝，AI學(xué)會了嗎？

研究團(tuán)隊(duì)給這個(gè)問題設(shè)計(jì)了三條調(diào)查線索，分別對應(yīng)三個(gè)研究問題：AI的日志習(xí)慣與人類有什么不同？人類會不會專門在指令里告訴AI怎么寫日志？AI寫完日志之后，人類又做了什么修改？帶著這三條線索，研究團(tuán)隊(duì)展開了一場頗具意思的偵查。

一、AI工程師的"記錄習(xí)慣"：寫得少，但寫起來密度不低

先來說第一條線索。研究團(tuán)隊(duì)發(fā)現(xiàn)，在81個(gè)被研究的代碼倉庫中，有58.4%的倉庫里，人類工程師比AI更頻繁地在提交代碼時(shí)順手改動(dòng)日志——也就是說，在同一個(gè)項(xiàng)目里，人類更習(xí)慣把日志調(diào)整當(dāng)作寫代碼的"連帶動(dòng)作"，而AI則更傾向于專注于功能代碼本身，把日志這件事放到一邊。

具體數(shù)字是這樣的：在同一批項(xiàng)目里，人類提交的代碼中有23.5%會涉及日志改動(dòng)，而AI只有18.5%。這個(gè)差距在統(tǒng)計(jì)上是顯著的（p值為0.019，意思是這個(gè)差距不太可能是偶然導(dǎo)致的），大約意味著AI改動(dòng)日志的頻率比人類低了16%左右。

然而，事情有個(gè)反轉(zhuǎn)。當(dāng)AI確實(shí)去寫日志的時(shí)候，它寫得相當(dāng)密集。在那些AI和人類都會改動(dòng)日志的67個(gè)倉庫里，AI平均每修改1000行代碼就會留下比人類多30%的日志記錄。表面上看，這似乎說明AI"很重視"日志，但研究團(tuán)隊(duì)進(jìn)一步挖掘后發(fā)現(xiàn)，這個(gè)"密度更高"其實(shí)有一個(gè)很樸素的解釋：AI通常負(fù)責(zé)的是規(guī)模較小的代碼改動(dòng)任務(wù)，而日志密度天然隨著代碼量的增加而降低（畢竟你修改10行代碼加了1條日志，和修改1000行代碼加了5條日志相比，前者的密度就高得多）。AI提交的代碼改動(dòng)中位數(shù)約為1279行，而人類是2770行，差了一倍多。把這個(gè)規(guī)模差異考慮進(jìn)去之后，兩者的日志密度其實(shí)相當(dāng)接近——在那些AI負(fù)責(zé)的代碼量反而更大的倉庫里，AI甚至比人類還要保守，少寫了21%的日志。

研究團(tuán)隊(duì)把這個(gè)現(xiàn)象解讀為一種"選擇性委托"模式：人類工程師傾向于把規(guī)模較小、邊界清晰的任務(wù)交給AI，把大型架構(gòu)性改動(dòng)留給自己。這讓AI看起來"密度更高"，其實(shí)只是任務(wù)規(guī)模使然。

在日志內(nèi)容的風(fēng)格上，AI和人類的相似程度頗為一致：兩者寫的日志消息長度幾乎一樣（中位數(shù)分別為33個(gè)字符和30個(gè)字符），在同類項(xiàng)目里，63.6%的倉庫里兩者的消息長度相當(dāng)。然而，有兩個(gè)地方出現(xiàn)了明顯分歧。

第一個(gè)分歧是日志級別。軟件日志有不同的"嚴(yán)重程度"分級，就像醫(yī)院里的病情分級一樣：DEBUG是"日常體檢記錄"（最詳細(xì)的調(diào)試信息），INFO是"今日狀況匯報(bào)"（正常運(yùn)行的流程說明），WARN是"有點(diǎn)異常但還沒出事"，ERROR和CRITICAL則是"出大問題了"。研究發(fā)現(xiàn)，AI在ERROR級別的日志上表現(xiàn)不錯(cuò)，與人類的使用習(xí)慣高度一致（53.2%的倉庫里兩者相近）。但在INFO級別，人類比AI更愛寫——在24.7%的倉庫里，人類的INFO日志明顯多于AI。WARN級別則是AI的"冒進(jìn)區(qū)"，在29.9%的倉庫里，AI寫的WARN比人類多。

這個(gè)規(guī)律背后有一個(gè)有趣的含義：AI傾向于把日志當(dāng)成"出事了才記錄"的工具，而人類工程師還習(xí)慣用INFO日志來記錄程序的正常流轉(zhuǎn)狀態(tài)，比如"某個(gè)操作已經(jīng)成功完成"。這種"順手記錄正常狀態(tài)"的習(xí)慣，AI學(xué)得不夠好。

第二個(gè)分歧是日志放在代碼的什么位置。代碼里的"控制流結(jié)構(gòu)"就像是一條河流里的分叉和關(guān)卡：條件判斷（if/else）是一個(gè)岔路口，循環(huán)（for/while）是一段會反復(fù)走的回路，異常捕獲（try/catch）是一張安全網(wǎng)。研究發(fā)現(xiàn)，AI在異常捕獲塊和頂層函數(shù)體里放日志的習(xí)慣與人類相近（分別在58.4%和59.7%的倉庫里相似），但在條件判斷塊里，只有46.7%的倉庫里兩者相近，人類更愛在這里寫日志的情況占28.6%。在循環(huán)結(jié)構(gòu)里，差距更大——32.5%的倉庫里人類寫的循環(huán)日志明顯多于AI。循環(huán)里的日志通常用于追蹤一批數(shù)據(jù)處理的進(jìn)度或狀態(tài)，這類"過程性記錄"恰好也是INFO級別日志的典型用途。兩個(gè)發(fā)現(xiàn)前后呼應(yīng)，共同指向一個(gè)結(jié)論：AI的日志視角偏向"發(fā)生錯(cuò)誤時(shí)留痕"，而非"記錄整個(gè)運(yùn)行過程"。

二、"告訴AI要寫日志"有用嗎？98.7%的時(shí)候根本沒人說

順著第一條線索的發(fā)現(xiàn)，研究團(tuán)隊(duì)開始追問：既然AI在日志上的習(xí)慣和人類有差距，那人類會不會通過給AI的指令來彌補(bǔ)這個(gè)差距呢？

研究團(tuán)隊(duì)系統(tǒng)性地檢查了三種人類向AI發(fā)出指令的渠道。第一種是"任務(wù)說明書"，即人類在給AI分配任務(wù)時(shí)寫的問題描述（類似于給員工的工單）。第二種是"倉庫級別的行為守則"，即存放在代碼倉庫里、用來告訴AI這個(gè)項(xiàng)目應(yīng)該遵守哪些規(guī)矩的說明文件，例如CLAUDE.md或AGENTS.md這類文件。第三種是"代碼審查評論"，即人類在審查AI提交的代碼時(shí)寫下的修改意見。

結(jié)果非常直接：在研究團(tuán)隊(duì)能夠觀察到指令內(nèi)容的1308條AI代碼提交中，只有4.7%（61條）附帶了任何關(guān)于日志的明確指示。換句話說，超過95%的時(shí)候，人類把任務(wù)交給AI，壓根沒提日志的事。這就好像你雇了一個(gè)新員工來裝修房子，結(jié)果忘了告訴他"墻上記得留水管走線"，事后卻抱怨他沒留。

更有意思的發(fā)現(xiàn)在于，即便那5%的人確實(shí)說了關(guān)于日志的要求，AI的執(zhí)行情況也令人失望。研究團(tuán)隊(duì)把這61條含有日志指令的情況分成兩大類來分析：來自任務(wù)說明書的15條，和來自倉庫說明文件的46條。

在任務(wù)說明書這一側(cè)，15條日志指令中有73.3%（11條）是措辭明確、要求具體的"強(qiáng)指令"，比如指定了要用哪個(gè)日志框架、用什么日志級別、在哪些文件里加日志。然而，這些強(qiáng)指令的遵守率只有27.3%——換言之，哪怕人類寫得清清楚楚，AI也有將近四分之三的概率忽視這個(gè)要求。相比之下，那4條措辭模糊的"弱指令"（比如只說"加點(diǎn)日志"或"確?？捎^測性"）反而有50%的遵守率，雖然也不算高，但比強(qiáng)指令還好。這個(gè)反直覺的結(jié)果提示我們，指令越具體不一定越有效，模型可能在某些情況下對模糊指令反而有更高的響應(yīng)意愿，但兩者的整體合規(guī)率都偏低。

在倉庫說明文件這一側(cè)，46條日志指令全部是強(qiáng)指令，但整體遵守率只有6.5%。其中有一個(gè)特殊情況值得一提：某個(gè)項(xiàng)目的說明文件里寫著"調(diào)試時(shí)可以用日志，但提交前必須刪掉"，結(jié)果對應(yīng)的10條日志提交里，AI的遵守率是100%——但研究團(tuán)隊(duì)?wèi)岩蛇@可能是"空遵守"，因?yàn)锳I很可能從頭到尾就沒有添加過調(diào)試日志，所以最終代碼里當(dāng)然也不會有，并非真正意義上的"主動(dòng)刪除"。

將所有情況綜合起來，研究團(tuán)隊(duì)計(jì)算得出：含有日志指令的AI提交中，遵守率約為33%，也就是說有67%的時(shí)候AI沒有按照人類的日志要求行事。更進(jìn)一步，從統(tǒng)計(jì)上來看，有沒有日志相關(guān)指令，對AI最終是否改動(dòng)日志這件事幾乎毫無影響（有指令的14.8%改動(dòng)率對比無指令的20.8%，差異在統(tǒng)計(jì)上不顯著）。這意味著，在當(dāng)前的開發(fā)實(shí)踐中，日志這件事陷入了一個(gè)雙重困境：人類很少開口說（說明gap），AI說了也常常不聽（執(zhí)行g(shù)ap）。

三、AI寫完日志后，人類悄悄當(dāng)起了"隱形清潔工"

追到這里，研究團(tuán)隊(duì)開始看第三條線索：AI提交的代碼被合并之前和之后，日志有沒有被修改過？誰在改？

研究發(fā)現(xiàn)，不論是AI還是人類寫的代碼，在最終合并之前被修改的比例都很高。AI提交的含日志代碼中，77.2%在后續(xù)提交中經(jīng)歷了修改；人類的比例稍高，為81.6%。光看這個(gè)數(shù)字，兩者似乎差不多。

但修改的執(zhí)行者大相徑庭。在AI提交的代碼被修改的案例里，有54.5%的修改是由人類單獨(dú)完成的，有35.1%是由自動(dòng)化機(jī)器人完成的，剩余10.3%是人類和機(jī)器人共同參與。而在人類提交的代碼被修改的案例里，97.8%的修改者也是人類，機(jī)器人參與的不到2%。

更清晰的數(shù)字來自日志語句層面的統(tǒng)計(jì)：在AI代碼里所有的后續(xù)日志改動(dòng)中，72.5%是由人類完成的，只有27.5%來自自動(dòng)化工具。這意味著，人類工程師在審查、合并AI提交的代碼之后，還在默默地補(bǔ)充、修正、或刪除日志——這項(xiàng)工作發(fā)生在后續(xù)的代碼提交里，而不是通過正式的審查意見提出來的。

研究團(tuán)隊(duì)用了一個(gè)貼切的比喻來描述這種現(xiàn)象：人類工程師成了"隱形清潔工"（silent janitors）。他們不是在正式的審查流程里高調(diào)地指出"這里日志不對"，而是悄悄地在后續(xù)提交里把問題修掉，就像餐廳里有個(gè)人一直在收拾別人漏下的碎屑，但從來不大聲說出來。

研究團(tuán)隊(duì)還用一種叫做"生存分析"的統(tǒng)計(jì)方法，追蹤了AI新寫的日志在多久后會被第一次修改。結(jié)果發(fā)現(xiàn)，兩者的日志都傾向于在代碼提交后早期就被修改（這很正常，剛提交時(shí)問題最容易被發(fā)現(xiàn)），但人類寫的日志被修改的速度更快、頻率更高。換句話說，AI寫的日志更"粘"，一旦進(jìn)入代碼就很少再被改動(dòng)——但這并不意味著AI的日志質(zhì)量更高，更可能的原因是審查者對AI代碼里的日志關(guān)注不夠。

在代碼審查評論層面，明確提及日志問題的意見在AI提交（2.18%）和人類提交（2.17%）中幾乎一樣罕見。即便限定在那些本來就含有日志改動(dòng)的提交里，比例也只有5.8%和6%。這說明日志問題很少以正式審查意見的形式被提出，大多數(shù)情況下，它是被默默修復(fù)的，而不是被明確指出的。

另一個(gè)有趣的發(fā)現(xiàn)是，日志被修改的行為主要集中在大體量的代碼提交里。AI提交中，被修改過日志的代碼量中位數(shù)是2702行，而未被修改的只有231行。人類提交里的規(guī)律更明顯：被修改的是4390行，未修改的是250行。簡而言之，改動(dòng)越大，日志越容易被重新打磨，小打小鬧的改動(dòng)里的日志往往就這么過去了。

四、這些發(fā)現(xiàn)告訴我們什么：三個(gè)關(guān)鍵啟示

這項(xiàng)研究的發(fā)現(xiàn)指向了三個(gè)非常實(shí)際的方向。

對于開發(fā)AI編程工具的團(tuán)隊(duì)而言，研究給出了一個(gè)明確信號：光靠自然語言指令來約束AI的日志行為，可能是條死路。指令稀少、執(zhí)行率低、效果不可預(yù)期，這三重疊加讓"在說明文件里告訴AI寫好日志"變成了一種不可靠的保障機(jī)制。研究團(tuán)隊(duì)建議，未來的工具設(shè)計(jì)應(yīng)該引入"確定性護(hù)欄"（deterministic guardrails），也就是在AI提交代碼之前，通過自動(dòng)化的規(guī)則檢查工具（類似于代碼風(fēng)格檢查器或持續(xù)集成流水線里的測試）來強(qiáng)制驗(yàn)證日志是否符合標(biāo)準(zhǔn)。把"有沒有寫日志"從一個(gè)可選項(xiàng)變成一個(gè)硬性門檻，才能確保AI產(chǎn)出的代碼在可觀測性上是可靠的。

對于研究AI能力邊界的學(xué)者而言，這項(xiàng)研究揭示了一個(gè)有趣的訓(xùn)練偏差。當(dāng)前的大語言模型在錯(cuò)誤處理場景里表現(xiàn)出來的日志意識是不錯(cuò)的，但在追蹤程序正常狀態(tài)方面的意識明顯偏弱。研究者建議，未來可以用專門的訓(xùn)練數(shù)據(jù)或獎(jiǎng)勵(lì)模型來強(qiáng)化AI對"狀態(tài)轉(zhuǎn)移日志"（即記錄程序從一個(gè)狀態(tài)過渡到另一個(gè)狀態(tài)的日志）的重視程度，甚至可以利用強(qiáng)化學(xué)習(xí)的方法，用靜態(tài)代碼分析工具作為"評分標(biāo)準(zhǔn)"，讓AI在未打日志的代碼路徑上自動(dòng)受到懲罰，從而學(xué)會更全面的日志習(xí)慣。

對于實(shí)際使用AI輔助開發(fā)的工程師和項(xiàng)目負(fù)責(zé)人而言，這項(xiàng)研究揭示了一個(gè)被忽視的隱性成本。AI寫代碼的速度是快了，但人類在后續(xù)默默補(bǔ)日志、改日志、刪日志所花的時(shí)間，并沒有因?yàn)锳I的介入而減少，反而形成了一種"隱形維護(hù)稅"。研究團(tuán)隊(duì)建議，代碼審查流程應(yīng)該把"日志和可觀測性"列為明確的檢查項(xiàng)，就像功能正確性一樣受到重視。如果審查者發(fā)現(xiàn)AI的代碼缺乏必要的日志，應(yīng)該明確要求AI修改，而不是自己悄悄補(bǔ)上。只有把這個(gè)責(zé)任清晰地交回給AI，才能讓AI輔助開發(fā)真正減輕人類的工作負(fù)擔(dān)，而不是把負(fù)擔(dān)轉(zhuǎn)移到一個(gè)不那么顯眼的地方。

歸根結(jié)底，這項(xiàng)研究描繪出一幅相當(dāng)真實(shí)的圖景：AI編程助手已經(jīng)能寫出功能上基本過關(guān)的代碼，也能模仿人類在錯(cuò)誤處理時(shí)留日志的直覺，但在"時(shí)刻記錄程序健康狀態(tài)"這個(gè)更深層的工程習(xí)慣上，它們還差得遠(yuǎn)。更令人警覺的是，人類在與AI協(xié)作的過程中，似乎已經(jīng)悄悄接受了這個(gè)缺口，并默默地承擔(dān)起了填補(bǔ)它的責(zé)任，而沒有人大聲說出來。這就像雇了一個(gè)不擅長收尾工作的承包商，然后業(yè)主自己每天早上偷偷補(bǔ)漏，表面上工程進(jìn)度很快，實(shí)際上背后的維護(hù)成本從來沒有真正消失。

如果你在工作中使用或計(jì)劃使用AI輔助編程，這項(xiàng)研究的結(jié)論或許值得認(rèn)真思考：你的團(tuán)隊(duì)是否在不知不覺中也扮演著這種"隱形清潔工"的角色？你們的代碼審查流程，是否真的把AI提交的可觀測性質(zhì)量當(dāng)成一個(gè)需要顯式檢驗(yàn)的問題？對這些問題感興趣的讀者，可以通過arXiv編號2604.09409查閱完整原文，原論文附有詳細(xì)的數(shù)據(jù)集、分析代碼及完整方法描述，為進(jìn)一步研究提供了充分的基礎(chǔ)。

Q&A

Q1：AI編程助手生成的代碼里，日志數(shù)量是比人類少還是多？

A：總體來說，AI在日志頻率上比人類低——58.4%的項(xiàng)目里，AI改動(dòng)日志的代碼提交比例低于人類。但當(dāng)AI確實(shí)去寫日志時(shí)，每千行代碼里寫的日志條數(shù)反而比人類多約30%。這個(gè)"密度更高"主要是因?yàn)锳I通常負(fù)責(zé)較小規(guī)模的代碼修改任務(wù)，小改動(dòng)天然導(dǎo)致日志密度偏高，并不代表AI真的更重視日志。當(dāng)控制了代碼改動(dòng)規(guī)模這個(gè)因素后，兩者的日志行為其實(shí)相當(dāng)接近。

Q2：在指令里明確要求AI寫日志，有效果嗎？

A：效果相當(dāng)有限。研究發(fā)現(xiàn)，即便人類在任務(wù)說明里明確、具體地要求AI添加日志（比如指定了框架、級別和文件），AI的遵守率也只有27.3%。綜合所有場景計(jì)算，AI對日志指令的整體不遵守率高達(dá)67%。更關(guān)鍵的是，從統(tǒng)計(jì)上看，有沒有日志相關(guān)指令，對AI最終是否改動(dòng)日志這件事幾乎沒有影響。

Q3：AI寫的日志在提交后，誰會去修改它？

A：主要還是人類工程師在默默修改。研究發(fā)現(xiàn)，在AI提交代碼后發(fā)生的所有日志修改中，有72.5%是由人類完成的，且這些修改大多出現(xiàn)在后續(xù)的代碼提交里，而不是通過正式的審查意見提出來的。研究團(tuán)隊(duì)把這種現(xiàn)象稱為"隱形清潔工"效應(yīng)——人類在悄悄補(bǔ)漏，而不是在審查環(huán)節(jié)公開指出問題。