AI代码痕迹识别

先说清楚它解决什么问题

把 AI 辅助生成的代码合并进仓库时，最麻烦的不是它跑不起来，而是它看起来能跑。你接手一个外包交付的模块，读着读着发现不对劲：函数体三百行、嵌套五层，命名一会儿 camelCase 一会儿 snake_case，再往里翻，还藏着一个调用了根本不存在 API 的 fetchUserData()。更隐蔽的是占位符——TODO 注释留着、xxx 命名没删、示例代码原封不动贴进了生产分支。

这类问题靠 review 时肉眼扫很难发现，尤其是代码量上去之后。AI代码痕迹·风格识别把这件事拆成了一组可量化的检查项，核心是一个 0–100 分的 Vibe Score：分数越高越像 AI 写的，超过 80 分就值得重点排查。

它怎么工作

把技能接进工作流后，传入待检测的代码文件路径，它会输出 AI 感评分和一份问题清单。检查维度覆盖五个方向：

• 幻觉依赖检测：揪出不存在的 API、不存在的参数、拼错的库名等 AI 编造出来的引用
• 占位符残留检测：定位 TODO、xxx 占位、未清理的示例代码
• 上帝函数与深度嵌套：标记几百行超长函数和五六层嵌套结构
• 复制粘贴克隆检测：发现大段雷同的复制粘贴代码
• 代码风格一致性：识别命名规范、缩进风格在同一文件里来回漂移的情况

评分不是终点，问题清单才是。清单会把每个可疑位置指回具体文件和行号，让你能直接对照原文判断是 AI 生成痕迹还是本来就写得随意。

适用边界

需要明确的是：这个技能识别的是代码特征，不是「谁写的」的法庭证据。一个熟练的工程师用模板复制粘贴，同样会触发克隆检测和风格漂移标记；反过来，让 AI 生成后再人工大幅重写，也可能把分数压到很低。

另外，基础版的输入是文件路径，全项目扫描、LLM 增强深度分析、报告导出属于「代码质检·专业版」的付费功能。如果你的诉求是统计整个仓库的 AI 代码占比，单靠这个技能的单文件检测不够。

最后，Vibe Score 超过 80 分只代表「高度疑似」，不等于代码有 bug。真正的判断还是要结合清单里的每一条具体证据，回到原文里看。