21CTO导读：随着编程工具正在大幅缩短开发者写代码的时间，但开源社区可能正在为这种效率提升付出另一种代价。

2026年10月20日，Linux 基金会（The Linux Foundation）发布了最新研究报告《Navigating Open Source Software Development in the Generative AI Era》，调查生成式 AI 对开源软件开发、代码贡献与社区维护的影响。

这份报告由 Linux 基金会旗下的 LF Research 发布，Red Hat 提供赞助，Futurewei、OpenSSF、LF AI & Data 共同支持。

该报告呈现了一组极具反差性的对比数据：

根据受访的开源项目维护者估算，接入生成式 AI 后，编写代码的平均耗时减少了 52%；但与此同时，他们收到的拉取请求（Pull Request，简称 PR）中约有 25% 是低质量贡献，也就是业内俗称的“AI slop（AI 垃圾）”，在大型开源项目中，这一比例更是攀升至 31%。

有 59% 的维护者提到，自生成式 AI 普及以来，项目收到的代码贡献数量持续增长，这一现象在大型项目中表现得更为明显，占比达到 69%。AI 降低了代码生成与提交的门槛，可维护者能否跟上代码增长的速度，已然成为一个棘手的新问题。

AI 写代码更快，但复杂任务未必省时间

Linux 基金会在官方博客中指出说，生成式 AI 对开源开发效率的提升并非只局限在代码生成环节，而是覆盖了多个开发流程。在调研涉及的六大类开源项目开发活动中，受访者均表示实现了不同程度的时间节省。

其中，代码编写环节的平均耗时降幅最大，达到 52%；即便像提案讨论这类沟通类工作，也能节省约 19% 的时间。但这种效率提升并非适用于所有场景，针对复杂度较高的开发任务，21% 的受访者表示，使用生成式 AI 反而需要耗费更多时间。这意味着，AI 在生成代码、处理常规开发任务时展现出的效率优势，未必能直接转化为复杂软件工程任务的整体效率提升。

而且，AI 节省下来的时间也没有全部用于增加代码产出，66% 的受访者将节省的时间投入到技术债务治理中，63% 用于开发新功能，还有 58% 用于自我学习和技能提升。这些数据都在表明，AI 工具正在重塑开发者的时间分配模式，但开发者个人效率的提升，并不代表整个开源协作流程都能获得同等幅度的收益。 

四分之一的拉取请求被认定为“AI 垃圾”，维护者压力持续增加

相较于代码编写效率，报告中更值得关注的是开源项目维护环节正面临的压力。

59% 的维护者反馈收到的代码贡献数量有所增长，但这些新增贡献并非都能为项目带来实际价值。根据维护者估算，收到的拉取请求中约有四分之一属于低质量内容，在大型项目中，这一比例达到 31%。这里提到的“AI slop”，通常指那些质量不佳、缺乏充分验证，或是需要维护者投入大量精力才能判断其价值的 AI 辅助生成的贡献。

需要说明的是，这一比例是受访者的主观估算结果，并非研究人员对 GitHub 等平台上的拉取请求逐一核查后得出的客观统计数据，也不代表所有低质量拉取请求都能确认是由 AI 生成的。

但这组数据所反映出的维护压力，依然值得行业重视。

以往，开发者需要花费大量时间熟悉项目架构、编写代码、运行测试，才能提交一份合格的拉取请求。而随着 AI 编程工具的普及，生成代码和提交修改的门槛大幅降低。对于贡献者而言，提交一次代码修改可能只需要很短的时间，但对于维护者来说，判断这些代码是否正确、是否契合项目架构、是否会引入安全问题，仍然需要投入大量精力。尤其是在大型开源项目中，维护者还需要兼顾代码兼容性、长期维护成本、与贡献者的沟通以及项目治理等诸多问题。

Linux 基金会在报告中明确提到，维护者职业倦怠已经成为大型开源项目最突出的隐患之一。这一变化也让 AI Coding 的生产力问题呈现出新的衡量维度：倘若代码生成成本大幅下降，但代码验证、审查和维护成本未同步降低，效率收益或在不同角色间重新分配。

71% 的受访者认为 AI 降低了开源参与门槛，但社区信任并未同步提升

AI 对开源社区的影响存在一组值得关注的矛盾。

调查显示，71% 的维护者认同，生成式 AI 降低了参与开源项目的门槛。这意味着更多缺乏特定编程语言、框架或项目经验的开发者，能够借助 AI 工具参与开源协作。

但与此同时，53% 的维护者不认同 “生成式 AI 改善了社区信任” 这一观点。

开源社区的协作依赖代码之外的多重因素。维护者不仅需要判断一段代码能否正常运行，还需要评估贡献者是否理解修改内容、能否解释设计选择，以及在后续出现问题时是否有能力继续维护。

AI 可以帮助开发者快速生成修改方案，却无法自动建立贡献者与维护者之间的信任。

报告还发现，46% 的维护者认为，生成式 AI 增加了对新贡献者的指导需求；32% 则认为这种需求有所减少。

这也表明，AI 虽然降低了新开发者进入开源社区的技术门槛，但新人仍需理解项目规范、协作流程和软件工程实践。部分原本用于指导代码编写的工作，可能正转向代码验证、问题解释和贡献质量管理。

仅 35% 的项目制定了正式的 AI 贡献政策

面对 AI 辅助代码贡献的快速增长，开源社区的治理机制尚未完全适配。

Linux 基金会的调查结果显示，仅 35% 的项目制定了正式政策，明确允许在代码贡献中使用生成式 AI。另有 32% 的项目既无相关政策，也暂无制定计划。在贡献者层面，61% 的受访者表示，他们会在提交 AI 生成代码前进行详细审查和完整的功能测试。但 AI 使用情况的披露仍缺乏统一标准。

这带来了一个现实问题：维护者收到一份代码贡献时，未必清楚其中哪些部分由 AI 生成、贡献者进行了哪些验证，以及代码修改是否经过充分测试。对于依赖志愿维护者的开源项目而言，这种信息不对称可能进一步推高审查成本。

Linux 基金会建议，开源项目应建立明确的 AI 辅助贡献政策，对代码测试、文档说明和 AI 使用披露提出要求，同时完善贡献归属与验证机制。OpenSSF 相关负责人也在官方声明中强调，AI 可以加快代码编写，但贡献者仍需理解并测试自己提交的内容，维护者不应独自承担全部安全审查责任。

AI Coding 的效率红利，验证成本由谁承担？

过去两年，关于 AI Coding 的讨论多围绕代码生成速度、任务完成率和开发者生产力展开。从代码补全到能够自主修改仓库、执行测试并提交 PR 的 Coding Agent，自动化能力持续增强。

Linux 基金会的这份报告提供了另一个观察视角：当代码生产速度提升后，软件工程流程中的瓶颈可能逐渐向审查、验证和维护环节转移。

这种变化在开源项目中尤为明显。开源项目的代码贡献可来自全球任何开发者，但维护权限通常集中在数量有限的核心维护者手中。AI 工具能让更多人快速生成代码，却无法保证维护者的时间和精力以同等速度增长。

这并不意味着 AI 辅助贡献必然降低开源软件质量。报告同样显示，AI 正在降低参与门槛，帮助开发者偿还技术债务、开发新功能，并提升学习效率。

问题在于，随着 AI 生成代码逐渐成为常态，开源社区需要建立与之匹配的验证和治理机制。未来衡量 AI Coding 的价值，除了关注开发者节省的编码时间、Agent 完成的任务量，还需关注代码最终被接受的比例、审查所需时间、缺陷修复成本，以及长期维护负担。

从总体来看，生成式AI正在深刻重塑开源开发流程，但效率的提升并不必然转化为社区的整体收益，要让AI生成的代码真正进入可靠的软件系统，仍然需要付出实实在在的成本。开源项目仍需通过明确使用规则、强化代码验证与披露、完善导师机制等举措，在扩大参与度的同时控制维护成本，让AI贡献真正服务于开源生态的长期健康发展。

作者：场长

参考：

https://www.linuxfoundation.org/press/new-lf-research-survey-shows-generative-ai-cuts-open-source-coding-time-in-half-but-25-of-incoming-pull-requests-are-considered-ai-slop