编码智能体三周重构 30 万行 C 代码：token 成本仅 4000 美元，Code Health 从 5.6 冲到 10.0

让一个编码智能体独自面对 30 万行 C 代码，它能把它收拾干净吗？软件分析公司 CodeScene 最近公布的一份案例研究给出了答案：三周时间、约 4000 美元的 token 成本，智能体把这套代码库的 Code Health 评分从 5.6 一路拉到了 10.0。

一分钟速览

CodeScene 发布案例研究：编码智能体在三周内重构了一个包含 30 万行 C 代码的代码库，token 成本约 4000 美元；在 726 个文件中产生 2903 次提交，修改 252055 行代码，Code Health 评分从 5.6 提升至 10.0；两项机制支撑了这项工作——提供确定性评分的 CodeHealth MCP Server，以及逐帧比对哈希的回放轨迹测试框架；团队最终选择 Claude Opus 完成大部分工作，并称其表现优于搭配 Sol 的 Codex；这一成果在从业者中引发了对”AI 重构究竟证明了什么”的激烈争论。

一次”超人类”表现的拆解

这套代码库来自《街头霸王 III：三度冲击》的一个开源反编译项目。CodeScene 创始人、《Your Code as a Crime Scene》作者 Adam Tornhill 写道，在参与大型系统开发 30 年后，这是他第一次看到所谓的大规模”超人类”AI 表现。

支撑这次重构的有两项关键机制。第一项是质量信号：CodeHealth MCP Server 为智能体提供了一个可供优化的确定性评分，并用来判断一次转换是否产生了积极效果。第二项是正确性保障：一个回放轨迹测试框架逐帧比较回滚状态哈希，从而在每次更改后检查系统行为是否真的没变。

智能体自己”长出”了重构手册

更让人眼前一亮的是智能体在工作过程中构建的内容。它们没有套用固定的重构目录，而是逐步积累出一套专属的重构手册，最终形成 22 个方案和 82 条辅助说明。其中包括 Extract Function、Guard Clauses 这类常见转换，也有针对该代码库的特定方案——比如 Shared Index Range 用来处理仅起止范围不同的重复循环，Uniform Step Table 则把异构调用转换为表驱动分派。失败的尝试同样被记录下来，包括那些让 Code Health 评分下降的转换。

模型选择与争议

模型选择也颇为关键。团队最终决定用 Claude Opus 完成大部分工作，并报告称，在识别和记录逐渐形成的模式方面，搭配 Opus 的 Claude Code 明显优于搭配 Sol 的 Codex；使用较小模型执行任务时，文件的评分经常停滞，像是撞上了一个无法进一步突破的局部最优点。

从业者的反应出现了明显分歧，争议不在”这件事是否发生”，而在”它究竟证明了什么”。支持者指出，多数重构成果只建立在测试套件全部通过的基础上，而针对一款格斗游戏做轨迹回放，设定的标准要高得多；质疑者则追问，这些更改是否已合并、是通过多次合并还是单次巨型合并完成，以及这是否只是在开源代码上的实验，而非真正创造收入的生产代码。参与这项工作的工程师回应称，这些更改通过 54 个拉取请求合并到了一个分支版本的 main 分支中。

趋势洞察

这个案例的真正价值，或许不在”AI 重构了 30 万行代码”这个数字本身，而在它揭示出的方法论：用确定性的质量评分 + 可回放的正确性校验，给智能体的每一次改动装上”红绿灯”。当 AI 编程从”能不能写”进入”敢不敢让它改”的阶段，这种把重构过程变成可验证、可回滚工程的做法，才是让智能体从玩具走向生产环境的真正门槛。