- 研究显示,81% 的软件团队承认合并了未完全理解的 AI 生成代码
- 55% 的团队依赖人工审查,另有部分团队采用“LLM 审查 LLM”策略,但后者导致更多未知代码流入生产环境
- 仅 13% 的团队制定了针对 AI 引发错误的事件响应预案
TestMu AI 发布的《2026 年质量工程人工智能状况报告》指出,软件开发团队对生成式 AI 编码工具的接纳程度极高,但验证环节未能同步跟进。数据显示,高达 81% 的受访团队承认曾将未经充分理解的 AI 生成代码合并至项目中。

该报告揭示了当前开发流程中的显著矛盾:尽管团队广泛使用 AI 编写代码、生成测试用例甚至评估发布就绪状态,但对 AI 产出的核查机制却存在明显滞后。这种“验证差距”引发了关于代码安全性与可维护性的担忧。
自动化检查覆盖率低与“AI 法官”的风险
在代码合并前的质量控制方面,仅有 41% 的团队使用了自动化检查工具来验证 AI 编写的代码是否与现有实时代码兼容。这意味着大量代码在缺乏有效技术屏障的情况下进入主干分支。
目前主流的验证手段包括人工代码审查(占比 55%)以及转交专门的质量保证团队处理(占比 51%)。此外,一种新兴的做法是雇佣第二个大型语言模型(LLM)作为“法官”来评估第一个 LLM 生成的代码。
然而,数据表明这种“LLM-as-a-judge”策略可能适得其反。采用该方法的团队中,有 29% 的代码未被开发者理解;相比之下,不使用 AI 进行分级审查的团队中,这一比例仅为 15%。这说明依赖 AI 审查 AI 增加了无人知晓其逻辑的代码被部署的可能性。
建立独立验证体系成为行业共识
TestMu AI 联合创始人兼首席执行官阿萨德·汗(Asad Khan)强调,核心问题在于验证速度无法跟上 AI 代码的产出速度。他认为,任何由 AI 生成的输出在合并之前,以及每次变更时,都应通过独立于生成模型的系统进行验证。
报告发现,那些严格执行独立验证程序的团队,最终到达生产环境的缺陷数量更少。随着软件团队日益依赖 AI 完成从编码到测试的全链路工作,建立标准化的独立验证流程预计将成为工程组织利用 AI 交付产品的必要标准。





