编码智能体三周重构30万行C代码，健康分升至10.0

一项案例研究显示，编码智能体在三周内重构了一个约30万行的C代码库，累计消耗token的成本约为4000美元。项目涉及726个文件、2903次提交和252055行代码变更，Code Health评分由5.6提升到10.0。代码库来自《街头霸王III：三度冲击》的开源反编译项目。项目负责人Adam Tornhill称，这是他从业30年来首次看到如此大规模的“超人类”AI表现。

项目采用两套机制控制质量。CodeHealth MCP Server向智能体提供确定性的质量评分，用于判断每次转换是否带来改进；回放轨迹测试框架则逐帧比较回滚状态哈希，在每次修改后验证程序行为。相关变更最终通过54个拉取请求合并到分支版本的main分支。

智能体并未只套用预设重构清单，而是在执行过程中形成了包含22种方案和82条说明的重构手册，既有Extract Function、Guard Clauses等常见方法，也有针对该项目的Shared Index Range、Action Parameter和Uniform Step Table。前两者分别处理范围不同的重复循环、调用函数不同的重复控制结构，后者则把异构调用改造成表驱动分派。失败尝试及导致评分下降的操作也被保留下来，形成可审计的演进记录。

模型选择同样影响结果。团队主要使用Claude Opus，并称Claude Code在识别和沉淀模式方面优于搭配Sol的Codex；较小模型经常让文件评分停在局部最优。研究引发的争议不在于项目是否完成，而在于成果能否代表普遍能力：支持者认为确定性的逐帧回放比“测试全通过”更严格，质疑者则追问它是否真正适用于生产代码，以及重构是否能在知名开源项目的主分支中落地。

批评还集中在重构标准和评估边界。有人指出，DRY应关注知识与意图的重复，而不只是相似代码行；Claude Code与Codex经过不同模型定向优化，也使模型能力和测试框架的贡献难以区分。此外，项目没有测量架构质量。帧率、内存、输入延迟以及细微的帧时序回归是否改善或被捕获，仍缺乏明确答案，团队正计划引入性能专家。

这类方法的关键限制在于，反编译游戏能够提供确定性的等价性检查，大多数遗留系统并不具备类似判定机制，而自动化测试和等价性验证往往正是不健康代码库最缺少的基础。团队曾考虑一个较健康的Gov.UK海事许可代码库，最终选择这款游戏，部分原因是成员本身也是玩家。

后续研究将比较同一系统的两个功能等价版本：一个评分为5.6，另一个为10.0，并邀请隆德大学学生使用前沿模型分别开发功能，观察成本与质量差异。CodeScene预计改进可能让AI引入的缺陷减少约70%、token浪费减少约45%，但这两项只是基于早期研究的推算，并非本次实测；三周工期和约4000美元成本才是此次案例的实际数据。