代码质量一成不变？AI是否正在挑战这一观念
本文改编自 Kai Schmithuesen 在 JetBrains 游戏开发日 2026 上的演讲。请在下方观看完整的视频演示和问答环节，或继续阅读！
目录
[LOADING...]
首先，我们将定义我们所说的代码质量是什么意思，然后看看它如何影响业务成果，AI 在其中的作用，AI 对质量的影响，以及如何在你的团队中保障质量。
你可以将本文所述的方法论应用于许多解决方案，但我们还将探讨一个 Qodana 的示例。
代码质量是一个有时容易被忽视的话题，尤其是在游戏开发中，你可能还有其他问题需要处理。然而，在游戏开发会议上与许多 JetBrains 客户交流时，大家都意识到这是一个重要的话题。话虽如此，游戏行业并没有一套行业最佳实践，因此我们在本次演讲中分享了一些来自其他行业的最佳实践。
我们所说的代码质量是什么意思？
对于如此重要的话题，这个定义可能有些"模糊"。如果你和十位同事交谈，可能会得到许多不同的答案。第一点是正确性。
正确性：我的代码是否做到了我设计它要做的事情？
性能：对游戏来说很重要，它足够快吗？
稳定性：它会崩溃还是不崩溃，从玩家的角度来看它有多稳定。
安全性：同样重要，你肯定不希望因为被黑客攻击而登上行业新闻。
可维护性：我的代码今天能正常工作，几年后还能正常工作吗？尤其是有些游戏会持续运营 10 到 12 年。
可复用性：这个话题对大型工作室来说越来越重要——我能否将已经开发的代码复用到其他项目中？所有这些都为你提供了一个关于代码质量涵盖内容的概览。 [LOADING...]
如果你去 X 或 LinkedIn 这类"西部荒野"看看，你会发现代码质量是否重要是一个争论激烈的话题。从有人说他们不在乎代码看起来怎么样，到另一个极端"我的代码在发布前必须美观无瑕"，以及介于两者之间的各种观点。外面有大量不同的意见。
Qodana 团队认为，代码质量可以对你的业务以及你的游戏如何被接受产生真正的影响。曾有一家 3A 工作室在发布一周后市值损失了 33%。
仅仅是修复两个小的代码缺陷，就将 GTA 的加载时间缩短了 70%。加载时间从 6 分钟缩短到 2 分钟（由一位玩家实测），而《黑暗之魂》因为存在远程代码执行漏洞（安全问题）而停服了 2 个月，如果你在这两个月里流失了玩家，他们很可能不会再回来，这对收入有实实在在的影响。糟糕的代码不仅仅停留在你这边，它会落到你的玩家手中，从而导致退款、差评。 [LOADING...]
当我们看 IGN 或 PC Gamer 时，质量、bug、稳定性，总是会影响评分。这最终决定了你能吸引多少玩家，而满是 bug 的游戏会导致玩家不满。有一些大型工作室能够侥幸逃脱，比如 Bethesda，但这是你不应该冒险的事情。
为什么糟糕的代码会被发布？
在很多对话中，我们发现仅仅是让游戏上市的压力就极其巨大。排期是一个真正的问题，这反映在不得不经历赶工或加班加点的游戏开发者数量上——超过一半。这促使许多工作室思考如何利用 AI 来帮助解决这个问题。
AI，尤其是在游戏开发领域，是一个讨论激烈的话题。然而，95% 的 Unity 开发者（2026 年 Unity 游戏开发者报告）在工作中使用它来辅助编码过程，这表明 AI 如果使用得当，可以是一个有用的工具。
你可以更快地进行原型设计，尝试新的游戏机制等等。过去你需要花费几个月时间，现在你可以用几天时间，把行不通的东西扔掉。你不必在样板问题上花费太多时间，从而提高效率。 [LOADING...]
目标不是把开发者从团队中裁掉，而只是让你的团队能够使用 AI 去做一些更有趣的事情。然而，这种速度以及对 AI 的使用在代码质量方面也带来了潜在的弊端。AI 可以非常快地生成大量代码，代码本身不一定更好或更差，但确实会放大问题的数量。过去你可能写了几百行代码。现在，在同样的时间内 AI 可以写 10,000 行。这会导致现实中的问题，例如：
缓慢的代码，我的游戏在性能方面是否达标，它是否稳定？它是否可被利用，或者是否有潜在的安全问题？好消息也是坏消息的是，AI 代码不一定比人类生成的代码更差，在问题总量上似乎相当，但它的出错方式与人类生成的代码不同。
在逻辑和错误方面，它产生的问题比人类生成的代码多 1.7 倍。在可维护性等方面，它表现更差，而最令人担忧的是，它还可能比人类开发者产生更多的安全问题。这来自 CodeRabbit 的一项研究。他们本身就是一家 AI 供应商。 [LOADING...]
然而，关键并不一定是谁（人类还是 AI）产生了什么类型的问题，我们提出的唯一问题是："我们的代码整体上是否达标，是否符合我们的质量标准"，而这正是静态分析可以发挥作用的地方。好消息是，你可以使用静态分析来基本覆盖这全部 6 个领域。
使用静态代码分析为游戏开发者解决问题
在正确性方面，你有标准的检查。你还可以检查代码覆盖率阈值，这一点正变得越来越重要。不仅仅是覆盖率本身，还有如何使用它们。
性能是静态分析可以覆盖的一个领域。稳定性方面，几个例子包括空安全、资源泄漏、异常检查、安全检查以及软件成分分析——检查过时的依赖项，或者作为静态分析的一部分进行污点分析，以发现更复杂的问题，如 SQL 脚本注入等等。
从可维护性的角度来看，你可以定位代码异味、代码复杂度和重复。这是 AI 非常出名的方面。它喜欢重复，但不喜欢重构。如果你没有一种方法来控制它，这真的会损害你未来的可维护性，因为到了某个阶段没有人能理解你的代码。
可复用性也是如此，重复代码会让事情变得更复杂，而静态分析可以检查你的代码是否遵循你自己的内部编码标准，以便无论你在做什么项目，都能采用相同的方法。这样你也能更容易地共享代码。
AI 会产生这类问题，最常见的原因是它是在过时的资源上训练的。这些资源都被榨干了，没有多少新内容出现，这可能导致过时的依赖项和类似问题。
将静态分析与 AI 结合使用作为解决方案
[LOADING...]
缺点在于，这类分析已经存在很长时间了，但这是有充分理由的。其中之一是结果是确定性的。
如果你给静态代码分析工具分析十次，它会给你十次相同的结果集。如果你运行它十次，也不会花费更多，因为它不消耗任何 token。如果你给 AI 同一段代码 10 次，你会得到 20 个答案。
它既快速又便宜，如果你将 AI 审查员与静态分析进行比较——通常静态分析要快得多。回到确定性这一点，你可以将每个结果与特定的检查关联起来，看看它为什么是一个问题。
随着合规要求不断增长，这一点将变得更加重要。一个重要的例子是新的欧盟《网络韧性法案》，已在某些领域生效。该法案的一部分要求你创建软件物料清单。如果你使用 AI，这将很困难。如果你使用静态代码分析，并且能够展示结果与源代码之间的一一对应关系，你就更有可能合规。然而，两者各有利弊。
静态分析与 AI 分析的利弊
它无法理解你代码的意图，因为它基本上是寻找模式。这就是 AI 发挥作用的地方。如果你想检查代码是否跨文件或跨项目实现了你想要的功能，或者检查与逻辑相关的问题，那就是 AI 发挥作用的地方。
因此，理想情况下，你会结合使用静态分析来覆盖基础，再在其上叠加 AI。由人类编写代码，AI 也可以编写一些代码。然后一旦你启动流水线，静态分析就覆盖初始分析。Qodana 可以检查任何问题，也可以自动创建快速修复。因此，即使没有 AI，你仍然可以实现自动化。
这些快速修复不是由 QIA 生成的，因此这给了你静态分析的一般优势：快速、不产生额外费用、可靠。然后你将转向你选择的 AI 工具，审查其余部分，并为其他复杂问题（如逻辑问题或重构）创建修复方案。这可以补充你的流水线。
理想情况下，你就有了一个循环，AI 会将其推回流水线交给你的静态分析，以便静态分析可以重新确认 AI 创建的内容是否达标，是否通过了你的代码质量和安全标准。然后你就可以将代码合并到主分支。
这听起来很耗时，但讽刺的是，这每次可能只需几分钟，并且可以在未来为你节省时间。这几分钟可以避免以后出现未捕获的问题时花费数小时。
数据怎么说？
已经有一些研究显示了这种方法的优势。如果你将静态分析与 LLM 调用结合使用，那么 token 使用量下降了 72% 到 92%，同时该研究中使用的代码量还在增加。第二项研究发现，如果你使用这种组合，那么进入主分支的 LLM 代码中的漏洞可以减少多达 33%。 [LOADING...]
这里有一个快速示例，展示这在 Qodana 或你选择的其他静态分析工具中会是什么样子。我们开箱即用地支持最常见的游戏引擎。这就是 Qodana 本身界面的大致样子。通常作为开发者，你不会在这里花太多时间。这对团队负责人或项目经理来说很不错。Qodana 团队的某位成员用氛围编程（vibe-coding）方式构建了下面这个示例项目。它是一个用 Java 编写的银行前端，仅氛围编程部分就只用了几分钟就让它运行起来了。 [LOADING...]
Qodana 发现了 126 个问题，并为你提供了一种很好的方式，让你快速了解哪些是重要的。然后你可以对它们应用快速修复。有不同的方式来设置这一点（自动化程度各不相同）。
这里我们将其作为 GitHub Actions 流水线的一部分来完成。然后我们将剩余的问题放入基线（Baseline）中。一旦它们进入基线，它们就不会拖慢你的进度。下次你用 Qodana 运行扫描并发现新问题时，理想情况下它会自动修复 3 个，而你只会看到 2 个新问题。这样就更容易弄清楚如何分配你的时间。
如果我们看看剩下的五个问题，你可以看到有些显示为重复代码。虽然你可以从 Qodana 中查看它们，但你不能从这里修复它们。因此，如果我们在 IntelliJ IDEA 中打开它。你可以看到它把我们带到了 IntelliJ IDEA 代码库中的确切位置。
这对我们的 IDE 有效，不过它也适用于 Visual Studio、Visual Studio Code 和 Cursor。你也可以使用我们的 CI 工具。在这里你可以查看问题，比如重复代码，通过将鼠标悬停在其上（取决于你的解决方案），然后转到更多操作、AI 操作，让 AI 为你修复这些问题。 [LOADING...]
你可以手动完成，也可以使用代理（agent），半自动化地完成，让它在后台运行，你在另一端等待干净的代码。如果你有兴趣了解更多，请联系我们，我们可以向你展示如何使用它，或者你和你的团队可以免费试用。
用户们也尝试将 Qodana 用于游戏开发。阅读 Doc Bok 如何在 Minecraft 游戏中使用 Qodana——或者了解 Qodana 如何在 Unity 和 Unreal Engine 项目上运行。
[LOADING...]
一旦你让 AI 添加测试，最终这些测试和所有仓库开始溢出，甚至像 linting 这样的琐碎过程也会滞后。你有这方面的经验吗？
在某些情况下，你必须绕过十个不同的环节才能发布代码。大多数时候，这是因为有人开了个头，但从来没有人审查过流水线，哪些有意义、哪些没有，但静态分析不应该拖慢你的速度。因此，在 Qodana 中，所谓的拉取请求模式只检查更改过的文件，应该只需要一两分钟。
IDE 中 JetBrains 内置的代理能在多大程度上读取 IDE 的静态分析工具？
Rider 有一个名为 Hooks 的功能。每当代理生成代码时，它会调用 Rider 中的 Hooks。其中一个会重新格式化代码，另一个会检查文件中的当前问题，执行 linting，检查问题并报告回代理，然后代理可以使用你的标准重新生成代码，或者只修复你要求它处理的内容。它是确定性的，因此代理被强制使用这些钩子，而不是被建议使用。钩子会在每次时被启用并执行。
请注意：广泛采用的 AI 技术相对较新，对于新兴数据的结论，包括本文中呈现的数据，始终应进行深入审视。
特别感谢 Kai 分享他的洞见。