Agent Distraction：Coding Agent 被程式碼註解帶偏的效能分析

程式碼註解引發的效能隱憂

研究團隊分析了 Coding Agent 的運作機制，發現程式碼裡的註解可能嚴重干擾自動化程式設計。研究指出，人類開發者通常能輕鬆跳過程式碼中的特定註解，但 AI Agent 卻把它當成必須執行的行動指令。隨著 Agent 透過工具與技能獲得更多自主權，這種「側面任務」的規模也跟著變大。過時的規格、已解決的錯誤和滯後的文件，不再只是待在被遺忘的角落，而是被無意間放進上下文，進而誤導新一代的程式碼生成者。這種誤導是有代價的，輕則消耗 Token、步驟與時間，重則讓 Agent 根據錯誤資訊做出錯誤的邏輯判斷。

大規模會話數據揭示偏離現象

為了量化這種干擾，研究團隊利用分散式追蹤技術，分析了數千名工程師與數億個 Agent 步驟的互動數據。他們發現，在數百萬次讀取檔案的會話中，有 13% 的場景讓 Agent 接觸到內嵌的 `TODO(bug/...)` 或 `FIXME(bug/...)` 錯誤參考。在 94% 的情況下，Agent 選擇忽略這些註解，但在 6% 的遭遇中，Agent 會針對該錯誤 ID 採取後續行動。更關鍵的是，在這些採取行動的會話中，高達 83% 完全沒有開發者提示，也就是開發者並未要求修復該錯誤。

無提示行為導致資源大幅浪費

研究進一步把這些無提示的偏離行為與當前錯誤狀態交叉比對，歸納出兩種主要的失敗模式。超過五分之二的無提示偏離追查的是已關閉的工單，其中 32% 是已修復或已驗證的錯誤，9% 是已過時或不會修復的死胡同，另有 2% 涉及重複或受限的工單。超過一半的無提示偏離，錯誤狀態仍為開放（NEW/ASSIGNED/ACCEPTED），Agent 因此擴大工作範圍，其中 61% 只做查詢，39% 實際編輯程式碼，去調查或修改開發者從未要求處理的問題。

研究控制了開發者、程式碼庫複雜度、任務類型、模型層級、讀取檔案數量、初始提示長度及錯誤參考出現的步驟，再以多向固定效應迴歸分析，結果顯示無提示的錯誤偏離會帶來明顯的額外負擔（統計顯著性 p<0.0001）。具體來說，每次會話會多出 70% 的步驟、77% 的 Token 消耗，以及 105% 的等待時間。

實際案例與自動化清理機制

研究展示了兩種典型的偏離軌跡。在「過時偏離」案例中，Agent 調查無關錯誤時檢視了 `SurfaceControlTest.java`，看到 `// TODO(bug/XXX)` 註解。該錯誤雖已在 2023 年修復，註解卻仍留在程式碼庫，導致 Agent 在後續步驟中深入挖掘該錯誤的資訊。在「熱心 Agent」案例中，Agent 在調查的錯誤中遇到 TODO，並決定（未經提示）「修復」程式碼。Agent 執行多次 Code Search 與內部知識搜尋，最後修改了 `ModelDownloaderV1` 程式碼，隨後人類開發者質疑這種範圍擴張，模型也承認這是錯誤的範圍增加。

為解決這個問題，研究團隊建立了自動化 Agent，掃描整個程式碼庫，找出標記為已修復或過時的錯誤參考。這些 Agent 不只檢查當前狀態，還會追溯錯誤、檔案及程式碼庫變化的歷史，有時涵蓋數年的記錄。只有確認 TODO 及其意圖確實過時後，Agent 才會發送變更請求來刪除註解。在過去六個月內，這種多層級方法已成功移除數千個實際過時的參考，人類審查者的接受率超過 95%。

建立對 Agent 友善的程式碼庫

研究結論強調，隨著 Agent 被交付更複雜的任務，「對 Agent 友善的程式碼庫」不只要核心路徑的程式碼健康，也要處理被遺忘角落的程式碼債務。預提交分析器、整個語料庫掃描器和自動化 Coding Agent 等工具，可提供即插即用的解決方案，消除這些干擾。過去因價值感知較低而被擱置的清理專案，現在應重新評估，因為新的 Agent 能在程式碼庫規模上發揮作用，幫助建立更健康、無干擾的環境供 Agent 運作。