> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# AI 写出的代码怎么不烂：给 coding agent 配可维护性传感器
- URL: https://www.hubwiz.com/blog/maintainability-sensors-coding-agents/
- Published: 2026-11-18T15:03:25.000Z
- Updated: 2026-11-18T15:15:34.000Z
- Description: AI 只靠 lint、依赖规则和变异测试的反馈写代码，能写出可维护的代码库吗？一份逐项实测，附她自己踩的坑。
- Author: admin
- Tags: AI 编程, 代码质量, ESLint, Agent, 技术债

一个 AI 生成的代码库开始烂，最早的信号不是 bug，而是**改一个小地方要动的文件越来越多**，或者**改动开始弄坏原本好好的功能**。

这两个信号来自 Birgitta Böckeler（Thoughtworks 杰出工程师、AI 辅助交付专家）2026 年 5 月 27 日发在 martinfowler.com 的实测文章。她用一个内部数据分析看板做了场对照实验：应用是 TypeScript + Next.js + React，数据来自几个外部 API，前端展示聊天空间活跃度、参与度和人口数据。这个应用原本已存在多年，但为了这次实验，她**让 AI 从零重建了一遍**，并且刻意**几乎不给任何 markdown 指南**——没有代码质量与可维护性的说明文件，看 AI 只靠"传感器"反馈能走多远。

这里的"传感器"指的是：观察 agent 实际产出了什么、并把结构化信号还给它的工具。代码正确性（按预期工作）、架构适配性（够快/够安全/够可用）与可维护性是我们通常在代码库里要守住的三个维度；本文只谈第三维。她把可维护性定义为"让代码库在未来也容易改、且改起来风险低"，也就是常说的"内部质量"。

她补了一句很关键的话：**内部质量问题对 agent 的影响，和对人类开发者的影响是一样的。**在一个纠缠不清的代码库里，agent 会去错误的地方找已有实现、会因为没发现重复而造出不一致、会被迫加载远超任务所需的上下文。

## 五个传感器该装在哪：一张全景图

![图 1：这条通往生产的路上，传感器分别装在哪。左侧是编码会话内的实时反馈，中间是 CI 复跑同一批计算型检查，右上是定期运行的漂移检测，右下是生产环境的运行时反馈（本次实验未覆盖）。来源：martinfowler.com](https://www.hubwiz.com/blog/content/images/2026/11/fowler-sensors-overview.jpg)

她按运行位置分了四类：

**编码会话期间**（连续运行、快速反馈，全部是计算型/确定性工具）：

- 类型检查器；
- ESLint；
- Semgrep——内部 AppSec 团队指定的 SAST 工具；
- dependency-cruiser——跑结构性规则，检查内部模块依赖；
- 测试套件结果与测试覆盖率（计算型；但测试本身是 AI 生成的，因此"生成方式"是推断型的）；
- 增量变异测试；
- GitLeaks——跑在 pre-commit 钩子里，也算传感器，因为它会在 agent 试图提交时给出反馈。

**集成之后（CI 管线）**：同一批计算型检查在干净的基础设施上、集成之后再跑一遍。会话内的传感器给 agent 早期反馈，CI 负责确认结果。

**反复运行**（更慢的节奏，抓"随时间累积的漂移"而不是当下的错误）：

- 安全评审：提示词来自内部应用的 AppSec 检查清单（推断型）；
- 数据处理评审：提示词里写明"任何用户名都不许发到前端"这类约束（推断型）；
- 依赖新鲜度报告：先跑脚本拿到依赖的年龄与活跃度，再让 AI 产出升级/弃用建议（计算 + 推断）；
- 模块化与耦合评审（计算 + 推断）。

**基座**：全程混用 Cursor、Claude Code 和 OpenCode（按使用频率排序）。默认模型通常是 Claude Sonnet，规划与分析类任务用 Claude Opus，实现类任务常用 Cursor 的 composer-2。

## 基础 lint：四条规则治住 AI 的典型短板

ESLint 这类基础 lint 主要盯**单个文件、单个函数**层面的可维护性风险。

在她看来，最适合用静态分析抓的 AI 失败模式有四类：**函数参数数量上限、文件长度、函数长度、圈复杂度**。但麻烦在于——**这四条在 ESLint 的默认预设里根本没开**，得先自己配上阈值。她顺带吐槽：希望静态分析工具将来能针对 agent 场景给出更好的预设。

另一个进展是：已经有人开始发布专门针对已知 agent 失败模式的 ESLint 插件，比如 Factory 的规则集，里面包含"必须有测试文件""必须用结构化日志"这类规则。

### 让报错信息教它自我纠正

传感器的意义在于给 agent 反馈、让它自我纠正。理想情况下，还要在反馈里塞进额外上下文——"一种好的提示词注入"。

为此她**写了一个自定义 ESLint formatter**，覆盖一部分默认消息（当然是让 AI 帮忙写的）。以 `no-explicit-any` 为例，改写后的提示大意是：

> 我们希望代码有类型，这样更容易避免错误，尤其是关键概念。但也不希望代码库被不必要的类型塞满。**请自行判断。**如果你选择不引入类型，用这条注释抑制它：`// eslint-disable-next-line @typescript-eslint/no-explicit-any -- （写明理由）`

也就是说：判断交给模型，但**抑制必须留下理由**。

### 警告管理为什么现在可行了

静态分析存在了几十年，很多团队就算装了也不用——因为管理成本高。要用好它，团队得长期"保持干净"，否则指标就变成噪音。而 `no-explicit-any` 这类警告恰恰很麻烦：不是每次都要修，得看情况；一条条抑制又很枯燥，看起来也像噪音。

有了 coding agent，**干净基线第一次变得可能**。上面那段指引让 agent 自己做判断、允许在代码里抑制警告，抑制因此是**可数、可见、可评审**的。

对阈值类规则（最大行数、最大圈复杂度），她的做法是在 lint 消息里告诉 agent：如果它认为某处的重构没必要或做不到，**可以小幅上调阈值**。这不是永久静音——只是把线抬高一点，将来更糟时规则还会再响。这样既保住了约束，又不用在"要么抑制、要么照做"之间二选一。

### 观察：唯一失控的那一类，恰好没写指引

她看 AI 产生的"例外"（被抑制的警告、被上调的阈值）作为代码评审的起点。结果发现：**AI 经常选择上调圈复杂度阈值**，而只有当她再推一把时才会给出不错的重构方案。

而且——这是唯一出现这种行为的类别，因为她**恰好没给这一类写自我纠正指引**，没有任何地方说明"上调阈值应该是绝对例外"。这反过来成了证据：**自定义 lint 消息确实能带来相当大的差别。**

同样的机制还能处理"不同目录不同规矩"。比如 `no-console`：后端要求改用 logger 组件，前端可能压根不想直接打日志、或者必须用另一个日志组件。这类语义判断正好交给 AI。

### 规则之间的冲突，已经开始出现

她一直在留意规则互相拉扯的例子。目前只看到一处，来自 `max-lines` 与 `max-lines-per-function`：这两个传感器确实让 AI 做了不少有用的拆分重构，但在 React 前端，她看到一个令人担心的趋势——**组件被拆得越来越碎，属性（props）沿着一条越来越长的链条层层透传**。

AI 能不能在这种权衡里做出一致决策，她还没有足够观察。

### 这一节的主要收获

总体是正面惊喜：静态分析能覆盖的东西比她预想的多。她几次提醒自己：为什么过去用得不够？**成本收益平衡变了。**

成本降了，因为用 AI 写自定义脚本和规则便宜得多；收益也涨了，因为这些分析结果帮她快速摸到很多卫生指标——那些她自己写代码时都不一定会出现的问题，正好把 AI 的常见错误先清掉。

但她也直接说了担心：**这可能带来虚假的安全感和"质量幻觉"。**过去 linter 用得少，另一个原因就是它们有边界，大家怕把它当成质量的简化指标。有很多更偏语义的质量维度是静态分析抓不到的，AI 能否与这些工具配合补上这个缺口，还有待观察。

另一个具体担心是**反馈过载**：每启用一组新规则，她都会在代码里"发现"一批新问题，其中总有一部分无关紧要、一部分真要紧。如果全都丢给 agent，可能把它推进过度工程化重构的漩涡。

## 依赖规则：把分层写进工具，而不是写进 markdown

基础 lint 关注文件/函数内部。下一层是跨文件、跨模块的可维护性——这块的分析工具，历史上比基础 lint 用得更少。她试了三件事：依赖规则（确定性）、耦合分析（确定性 + 推断）、模块化评审（推断）。

依赖规则用的是 dependency-cruiser。她在实现到一半时和 agent 一起定了一套**分层模块结构**，然后让 AI 帮忙把这些层次写成规则。例如其中一条规定：`clients` 目录里的代码永远不许 import `services` 目录里的东西：

```js
{
  name: "clients-no-services",
  comment: "API clients must not depend on the orchestration layer above them."
    + LAYERS,
  severity: "error",
  from: { path: "^server/clients/", pathNot: "/__tests__/" },
  to: { path: "^server/services/" },
}

```

和 ESLint 一样，她把错误消息扩写成了自我纠正指引，把整套分层概念复述一遍：

```
ERROR clients-no-services
API clients must not depend on the orchestration layer above them.
[Layers: routes -> services -> clients + domain;
 Services orchestrate: fetch data via clients, compute via domain
 -- no I/O, no SDKs, no knowledge of data fetching.]

```

**观察**：没有 AI，这套规则她不可能这么快落地——这个工具的配置语法入门成本很高，而 AI 几乎把这部分成本全吸收了。规则引入后 agent 违规过几次，然后基于 dependency-cruiser 的反馈自我纠正了，所以确实帮她把目录概念守住了。

她还用同样的办法给前端 React hooks 的结构立了规矩，另外补了一条兜底规则：**任何新文件都必须落在预定义的目录结构里**，否则 AI 会开始在结构之外自己开新目录。

**主要收获**：引入这些规则时，代码的目录结构已经有点乱了；规则帮 agent 清了一遍，之后持续执行。她认为这是**用 markdown 指南描述代码结构的一个不错的替代品**。但边界也明确：这类工具只能表达"能被 import、文件名、目录结构表达出来"的东西。

## 耦合数据：给 agent 一个 CLI，而不是一张图

接着她从代码库里抽常见的耦合指标：每个文件的入向/出向 import 与调用数量。她没用现成工具，而是让 coding agent 写了一个应用，借助 TypeScript 编译器产出这些指标，方便她随便折腾。

它有两个界面：

- 一个 Web 界面，用多种可视化给人看；
- 一个 CLI，把同样的指标喂给 coding agent。

**给人看的那部分**：大多是成熟概念，比如依赖结构矩阵（DSM）。她觉得这些图**很难解读**——虽然图是 vibe coding 出来的、肯定还能改进，但她认为主要问题在数据本身：太细，需要大量上下文和经验才能读出来，再映射回高层的最佳实践。她的感觉是，这类工具短期内**帮人类减轻评审负担的作用有限**，尤其是评审 AI 改过的代码库时。

**给 AI 的那部分**：她给 agent 开放了这个自建 CLI（`coupling-analyser`），让它基于数据写报告并给出改进建议。她特意贴出当时的提示词，说明自己**并没告诉它什么叫好的/坏的模块化**，基本把判断全交给模型：

> 针对目标 TypeScript 代码库产出一份模块化与耦合质量报告，**必须基于 `npx coupling-analyser` 的真实输出**，不要凭静态浏览猜。  
>  
> 收集证据（跑 CLI）：执行 CLI 并捕获 stdout，按问题需要组合使用报告子命令……  
>  
> 写报告：用小标题；尽量引用 CLI 输出里的具体模块 ID / 路径与数字。 建议章节：背景 → 执行摘要（2–5 条：整体姿态、前 1–3 个系统性问题）→ 工具发现（热点、主要风险、值得注意的环或相互依赖）→ 解读（用模块化视角把指标和软件设计挂钩：内聚 vs 变更扩散、稳定性 vs 依赖方向、fan-in/fan-out、环的影响）→ 对每个 high/critical 问题深挖（它是什么、今天的职责、为什么有害、2 个以上设计选项、为什么新设计更好、未来变更风险）……

**观察**：LLM 主导的分析指出的耦合热点，和她看图得出的结论一致，只是格式更容易消化；而且**要求它基于确定性工具的输出**，让她更有信心，大概也比让 agent 自己扫代码库更省时间和 token。

但发现本身"相当一般"（用的 Claude Opus 4.7）：

- 它说最大的问题之一是"初始化所有组件的那个 factory"——可那是她**故意**引入的、充当轻量依赖注入框架的组件；
- 它把前后端共享的 zod schema 判为"god module"——但这恰恰是给前后端建显式契约的常见做法，尤其在她的场景里前后端本来就一起演进、甚至同仓；
- 唯一有点意思的发现：`domain` 目录下的一个 `index.ts` 无差别地导出了 `./domain` 下所有文件，又被很多地方 import。这也是给一层建显式契约的常见做法，有利有弊，至少值得查一下是否适合这个代码库。

她的结论是：**合理的高耦合"枢纽"需要能被抑制**，否则这类分析只会制造更多噪音。

**主要收获**：相比基础 lint，这里"好与坏"更没有清晰定义，关键是**是否合适**；而合适与否依赖大量上下文，不只是调用/import 图。所以她不认为这种耦合数据单独喂给 AI 有多大用。更实际的用法是**代码评审时的风险分级**：评审 AI 的改动时，知道被改文件的影响半径很有用——比如某个有 10 个以上调用方的文件被改了，就该多看两眼；或者让 AI 评审 agent 用这些数据来决定 token 花在哪。

## 让 AI 做模块化评审：比耦合数据好用得多

耦合数据那轮结果一般，可能有三個原因：提示词不够具体、耦合数据对 AI 没用、或者数据太浅、缺少完整代码的上下文。

于是她干脆走纯推断路线：用 Vlad Khononov 的 "Modularity Skills" 让 AI 分析代码库设计、找模块化问题。**这一步非常有效**，给了她很多能明显降低未来变更风险的重构方向。

她又跑了一遍，这次把耦合分析 CLI 也给它。结果是：AI 主要在数据里找**印证**，没有新增发现；反过来，它指出了 CLI 漏掉的很多东西。另外，**第二次运行（看不到第一次的上下文）又冒出了第一次没发现的问题**——她的提醒是：真正重要的时候，值得把基于 LLM 的分析多跑几遍。

**发现的样本**（同样用 Claude Opus 4.7）：

- **重复的路由代码**：三个后端端点各有自己的路由文件，实现几乎一样。要改后端 API 的通用原则（加 request ID、改错误处理、改日志方式），就得改好几个文件。她刚加第三个端点，没抽象还算合理；但她的经验是**AI agent 通常不会主动重构**——同一段代码重复到第三、第四次时它照样乐呵呵地复制粘贴。
- **调用后端不一致**：三个页面要用同一组参数（选中的聊天空间、分析的日期范围）调后端。前两个页面用同一个 hook、同一套做法，AI 做第三个页面时**偏离了**，自己另写了一套。这会导致错误处理不一致，或者后端 API 原则一变就要动多处。
- **核心参数处理低效**：所有页面都要把聊天空间 ID 和日期范围传给后端。她之前改日期范围的选择方式时，AI 动了 40 多个文件——分析确认了问题："请求参数在每一层重复"，建议是把这些参数包成一个对象。AI 其实已经这么做了，但**从没贯彻使用**，成了一个不一致的烂摊子。
- **职责放错位置**：评审发现一段认证代码塞在只负责"接线"的 factory 里，实现了"用户未登录时回退到 mock 数据"。这种意外位置的风险是：将来加新路由时很容易被漏掉。

有意思的是，前一轮耦合分析把那些高 import 数"枢纽"当成 god class，这一轮也注意到了，但**两次都很好地指出它们在这个应用语境里有存在的目的**。她推测原因是这些 skill 的提示词写得好，或者是因为这轮分析真的读了代码内容，而前一轮只让它看耦合数据。

**主要收获**：

- dependency-cruiser 这类依赖解析器是**有效的实时传感器**，能守住基本的目录结构与依赖方向，但也就到此为止；
- AI 模块化评审是很好的"垃圾回收"，前提是提示词足够强；把它锚定在耦合数据上**没看出多少差别**；
- 理想是让它针对一次提交里改动的文件跑，把这一步提前到流水线里，但她还没试；
- 她是在代码库基本建完之后才第一次做这种评审，结果发现了**相当有说服力、也确实令人担心的问题**，这些问题未来会抬高风险。这说明：**没有人工评审、没有耦合方面的专业判断、也没有这类额外的 AI 评审时，agent 确实在复利式地累积无意的技术债。**

总的来说：代码库设计与模块化这类关切，**计算型传感器单独帮不上太多忙**，需要 AI 补上语义解释与权衡。

## 测试套件作为回归传感器

测试有很多用途：帮助思考与驱动设计、记录期望行为（测试就是最终规格）、以及**检测回归**——告诉你这次改动弄坏了原来能用的功能。有效的回归测试对可维护性作用很大，它让"改代码"这件事安全得多。

所以这一节讲的是测试套件在"回归传感器"这个角色上的表现。

当一条旧测试失败，我们必须问自己一个问题：**"是我意外弄坏了什么、需要改实现？还是我确实有意改变行为、测试应该跟着改？"** 一条失败的测试给了 AI 提出这个问题的机会——虽然它不一定总做对。但一个好的测试套件，能显著降低 AI 弄坏期望行为的概率。

在这个聊天分析应用里，所有测试都是她让 agent 随时间写出来的，除了手动测试和盯着覆盖率之外没什么监督。她想要一个**全 AI 生成的测试套件**，好在事后分析它的回归有效性。

这样做有两个主要风险：

- **覆盖率不足以指示测试有效性**；
- **测试可能在测错误的行为**——这个问题比评估测试有效性难得多，属于另一篇文章。

本文只谈测试有效性：假设代码实现了期望行为，我们有没有能抓住破坏性改动的测试。

她列的工具箱与成本：

| 手段   | 能发现什么                              | 成本 |
| ---- | ---------------------------------- | -- |
| 覆盖率  | 哪些代码被测试执行过，也就是哪些部分对测试"可见/不可见"      | $  |
| 属性测试 | 通过从性质生成大量输入组合，发现缺失的逻辑用例            | $  |
| 模糊测试 | 用意外/畸形输入打系统，发现输入健壮性方面的缺失用例         | $$ |
| 变异测试 | 往代码里注入小变异，看测试套件能不能抓住，从而发现**缺失的断言** | $$ |

她的应用里用了覆盖率与变异测试；属性测试与模糊测试不太适合这个场景。

### 变异测试：一个 100% 覆盖却没断言的例子

![图 2：变异测试暴露的缺口。mappers.ts 的两个 dvpToSchema 调用被验收测试间接覆盖，但没有任何断言落在 postingOverTime 与 joinActivity 上，所以 13 处变异后测试依然是绿的。来源：martinfowler.com](https://www.hubwiz.com/blog/content/images/2026/11/fowler-sensors-mutation.jpg)

`mappers.ts` 报告了 **100% 语句覆盖、75% 分支覆盖**，但实际上**它没有任何单元测试**，Stryker（她用的变异测试工具）报告了 **13 个 survivor**——也就是在 13 处代码变异之后，测试套件依然是绿的。

覆盖率之所以高，是因为代码库里有个大的验收测试最终调用了这些函数：**覆盖率只说明某一行被执行过，不说明它的影响被验证过。**如果那个小工具函数 `dvpToSchema` 将来被改动，可能会让 UI 里的一张数据图显示错误。

**观察**：AI 在分析变异热点、制定"先补哪里测试质量"的优先级上很有帮助。Stryker 会写一个巨大的 JSON 结果文件，为避免把上下文窗口塞爆，她让 AI 写了个自定义脚本 `query_stryker.py` 来高效查询结果：

```bash
"""从命令行查询 Stryker 变异测试 JSON 报告。

用法：python query_stryker.py <report.json> <command> [options]
命令：
  summary   整体状态统计、变异分数、阈值
  files     按文件拆解，默认按变异分数升序
  hotspots  存活变异 / 未覆盖变异最多的行
  tests     测试有效性：弱测试、未使用测试、最能杀死变异的测试

示例：
  python ./query_stryker.py reports/mutation/mutation.json summary
  python ./query_stryker.py reports/mutation/mutation.json files --top 10 -v
  python ./query_stryker.py reports/mutation/mutation.json files --changed -v
  python ./query_stryker.py reports/mutation/mutation.json hotspots \
      --file server/services/ai-summaries.ts --top 30
"""

```

她说这只是"AI 帮我帮 AI"的众多例子之一。

**主要收获**：

- 现在有股"往端到端验收测试倾斜"的趋势。AI 写测试已经很强，开发者让它批量生成、几乎不评审也成了常态；而逐个评审单元测试非常枯燥。她不是主张完全不看，但承认现实：**指望人工评审所有测试不可持续，指望人们真去做也不现实**。
- 在找到 AI 编码时代该有的测试金字塔形状之前，像"已批准场景（approved scenarios）"这类技术正在变流行。
- 验收测试提高覆盖率，但**断言往往不多**，会带来测试有效性的虚假安全感——**变异测试正好用来监控这个缺口**。
- 变异测试的实际限制是资源开销大。她的做法是不连续跑，而是手动触发增量运行。

## 结论与开放问题

计算型传感器在**文件和函数层面**给她的印象最好。跨文件的模块化与耦合是另一回事：原始数据本身噪音很大，没有 LLM 的语义解释（也就是推断型传感器）就没那么有用。但配上好提示词之后，产出和建言之好、以及"同样的信息可以按不同经验水平呈现"的潜力，都让她印象深刻。

她还没在实验里看到、但怀疑会成为问题的是**传感器之间的冲突**：`max-lines` 与 `max-lines-per-function` 已经显出张力，函数被拆得越来越小，复杂度被推到了组件属性链上。更多这类权衡大概还藏着。

这次实验她**完全没用指南（guides）**，就是为了更纯粹地看传感器的作用。她好奇的是指南与传感器如何配比：

- 一旦对一套传感器有信心了，哪些指南可以删？
- 传感器是不是让"用更弱的模型"变得现实？
- 怎么保证指南和传感器彼此一致，能不能把它们打包在一起维护？

在回归测试这块，她的原话是：看到"把大部分测试交给 AI"之后变异测试变得多关键，**眼睛真的被打开了**。她同时强调：还有一整个关于**测试正确性**的话题没谈——有些传感器确实提高了她对产出的信任，但它们**不是把人完全移出循环的魔法方案**。不过作为伙伴，计算型和推断型传感器确实改善了她的评审体验和信任度。

（致谢：特别感谢 Chris Ford 与 Matteo Vaccari 关于传感器的讨论，以及 Thoughtworks 同事的反馈。）

## 我们的整理：哪些能交给 lint，哪些不能

原文按"传感器类型"走，这里换成按**你能落地的东西**重排一遍，方便直接对照自己的仓库：

| 层次     | 具体传感器                             | 原文结论                         | 落地成本        |
| ------ | --------------------------------- | ---------------------------- | ----------- |
| 文件/函数内 | ESLint + 四条阈值（参数数、文件行数、函数行数、圈复杂度） | **最有效**，但默认预设不开，要自己配         | 半小时         |
| 文件/函数内 | 自定义 formatter，把报错文本改成"判断 + 带理由抑制" | 有效；缺指引的那类规则明显失控              | 半天（可让 AI 写） |
| 跨文件结构  | dependency-cruiser 分层规则 + 目录兜底规则  | 有效，能替代"用 markdown 描述目录结构"    | 半天到一天       |
| 跨文件结构  | 耦合指标（自建 CLI）                      | 单独给 AI 用处不大；**更适合给评审做风险分级**  | 一天以上，性价比看团队 |
| 设计层    | AI 模块化评审（强提示词 + 读代码）              | **效果最好的一类"垃圾回收"**，值得定期跑，且跑两遍 | 低（提示词成本）    |
| 回归     | 覆盖率                               | 只能说明"执行过"，不能说明"验证过"          | 已有          |
| 回归     | 变异测试（增量跑）                         | 补住"验收测试断言少"的缺口；资源开销大         | 中           |

三条可直接照做的动作：

1. **先把四条阈值打开**，并且只在 lint 消息里写"可以小幅上调阈值，但不要抑制"——原文里唯一失控的行为，就是发生在没写这句的地方。
2. **给每条规则写一句"为什么"和"怎么做"**，让报错文本本身成为提示词；抑制必须带 `-- 理由`。
3. **跨文件的判断别指望 lint**：目录结构交给 dependency-cruiser，设计与耦合交给"带强提示词的 AI 评审"，而且要跑两遍。

**边界**：这是一个单人、单技术栈（TypeScript / Next.js / React）、单应用的实验，所有数字都是这一份代码库的观察，不是基准测试；模型版本（Claude Opus 4.7、Sonnet、Cursor composer-2）会变，结论里"AI 经常上调圈复杂度阈值"这类行为也可能随模型更新而变。原文也明确说，传感器不能替代人工评审。

两条延伸：如果你是**规范本身写清楚了、但 agent 记不住**，那问题在反馈回路而不在规则，见[三条指令没拦住 Claude](https://www.hubwiz.com/blog/custom-linter-feedback-loop-ai-agents/)；至于"lint 全绿之后还剩下哪几层风险"，见[lint 不够用](https://www.hubwiz.com/blog/when-linting-is-not-enough-ai-code/)。

### 来源

- Birgitta Böckeler, *Maintainability sensors for coding agents*, martinfowler.com, 2026-05-27：[martinfowler.com/articles/sensors-for-coding-agents.html](https://martinfowler.com/articles/sensors-for-coding-agents.html?ref=hubwiz.com)
- 文中代码片段、提示词、图表与观察结论均译自原文；图 1 为原文 Figure 2 的转载
- 感谢原文作者与 Thoughtworks；本文为中文编译，版权归原作者

本文属于「[AI 编程 / Vibe Coding](https://www.hubwiz.com/blog/vibe-coding-stack/)」专题，由汇智网编译整理，转载请注明出处。

> **这是「AI 编程 / Vibe Coding」专题的一部分。**完整地图见：[AI 编程 / Vibe Coding 完全指南](https://www.hubwiz.com/blog/vibe-coding-stack/)