基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-17 23:44

150余个开源项目如何约束 AI 贡献

dev.to · AI#开源治理#AI编程#贡献规范
Editor brief · 编辑速览

文章调查了 150 余个开源仓库及基金会的 AI 贡献政策,并对其中 25 个进行深入分类。它指出规则散落于贡献指南、维基和论坛中,导致贡献者容易遗漏,自动化智能体也难以解析。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

AI 把生成补丁的成本压低了,却没有同步降低审查成本。这篇文章调查了 150+ 个开源仓库与基金会,并对其中 25 个项目深入分类,提出一个判断:治理重点应该放在贡献者的披露、理解与责任上,再用机器可读规则执行。

对经常用 AI 写代码、给开源项目提 PR 的程序员,这个方向很实用。不过,文章也在为作者开发的 ai-policy-kit 论证需求。调查结果、工具设计和效果承诺,需要分开看。

多数项目接受 AI,为什么仍然限制贡献

按作者的分类,受调查项目中,16% 禁止 AI 贡献,80% 有条件接受,只有 4% 基本放开。最大的阵营并不反对辅助编程,而是要求提交者能够解释、验证并维护自己的改动。

禁止派更关注来源与法律风险。文章列举 Gentoo 在 2024 年 4 月通过的禁令,以及 NetBSD 将大模型生成代码归入「受污染代码」、要求核心团队事先书面批准的做法。Debian、OpenStreetMap 也被作者归入严格限制的一侧,理由涉及来源难以核验和合成数据污染。这里要保留一个区别:这些项目针对代码、文本、机器人或数据的具体规则未必相同,三档分类是作者的归纳。

条件接受派则把边界划在人的参与程度上。Home Assistant 允许 AI 辅助起草代码,但禁止自主机器人提交 PR,也不允许用 AI 代写对维护者的回复。Scientific Python 的 SciPy、NumPy、SymPy 相关规范 SPE 008,强调贡献者必须理解代码的数学与算法含义。

curl 的案例更直接。文章称,大量低质量 AI 漏洞报告挤占了维护者时间,促使其在 2026 年 1 月 31 日关闭现金漏洞赏金计划;使用 AI 查找或分析问题,也必须明确披露。这些项目的具体政策与事件,在这里均按原文转述,不能把文章分类直接当作项目规则全文。

背后的压力来自审查成本不对称。作者用一个例子说明:LLM 用 5 秒生成 400 行语法正确的代码,专家却可能花 30–60 分钟检查并发竞争、内存安全、虚构 API 和边界情况。这是说明问题的估算,文章没有提供对应的计时实验。

生成代码的人,必须承担验证代码的成本。

披露用了 AI,究竟要披露到哪里

作者称,深入审计的政策都要求人类承担全部法律与技术责任。模型无法签署开发者来源证明 DCO 或贡献者许可协议 CLA,也无法承担侵权或缺陷责任。文章还称,这些政策均反对把 AI 机器人列为 Git 作者或 Co-authored-by: 共同作者。

但披露机制并没有统一。原文给出的分布是:

  • 64% 使用 PR 描述中的检查项,例如确认是否使用 AI、是否理解提交内容。
  • 24% 倾向采用符合 RFC 5322 格式的 Git 提交尾注,例如 Assisted-by: Claude <claude@anthropic.com> 或 AI-Generated: false。
  • 12% 只要求在文字中提及,没有固定位置和格式。

文章另称,88% 的项目要求或期待披露。这与前两项的 64% 加 24% 数值一致,但原文没有解释「非正式提及」为何另列为 12%,也没有充分交代各项统计的分母和编码口径。不能据此继续推导更细的结论。

对贡献者而言,最实用的区别是:PR 检查项方便在评审时确认;Git 尾注便于程序解析,也能跟随提交历史保留。尾注声明的是工具参与情况,不能替代提交者身份与责任。

规则藏得太深,同样会失效。作者列出四类问题:新人没有读到 CONTRIBUTING.md;Claude Code、Cursor、Aider、Copilot CLI 等代理未必主动查阅社区 Wiki;维护者凭怀疑追问容易引发争执;多文件 diff 还可能夹带 .claude/、.cursor/ 等工作区产物。

其中「代理看不懂自然语言」说得过满。更准确的问题是规则能否被稳定发现、执行,以及执行结果能否被验证。

把政策写成配置,CI 能检查什么

ai-policy-kit 的方案,是把政策收敛到仓库根目录或 .github/ai-policy.yml,用 JSON Schema Draft-07 约束结构,再从同一份配置生成文档与检查规则。

下面这段配置解决了「不同贡献类型适用不同限制」的问题,同时明确披露、责任和机器人提交要求:

version: "0.1"
level: "restricted"
categories:
  code: "restricted"
  docs: "permissive"
  tests: "restricted"
disclosure:
  required: true
  commit_trailer: "Assisted-by"
accountability:
  author_takes_responsibility: true
  author_understands_code: true
bots:
  automated_prs: "forbidden"

要看清 categories 里的 docs: "permissive":它单独放宽了文档类别,但配置仍然声明 disclosure.required: true。原文没有进一步说明类别规则与全局规则的覆盖关系,采用前需要查清实现语义。

同一份配置随后生成 AI_POLICY.md、供代理读取的 AGENTS.md,以及带检查项的 .github/PULL_REQUEST_TEMPLATE.md。设计上的收益很具体:修改政策时,减少多份说明相互矛盾的机会。

验证端的关键词是「确定性」。它不判断代码像不像 AI 写的,而是检查明确条件:有没有 Assisted-by: 尾注或 PR 检查项,作者有没有确认理解与责任,diff 是否夹带 .claude/、.cursor/、.aider/,以及同一作者未合并的自动 PR 是否超过仓库限额。原文还列出 lint-pr 验证入口和 Action Gate。

作者称,该方案以零依赖 GitHub Action 运行,耗时不足 2 秒。文章没有给出测试仓库、运行环境和计时结果,因此这是工具的性能陈述,尚不足以作为普遍保证。

CI 能验证声明和格式,不能证明作者真的理解代码。

原文反对使用概率式「AI 检测器」,认为误报会伤害非英语母语者和表达简洁的程序员。这个方向有合理性,但文章没有提供检测器之间的对照数据。更稳妥的理由是:可观察规则能给出明确的失败原因,便于贡献者修正。

我的判断

我赞同把「用了什么工具」与「谁对提交负责」分开处理。无论代码来自手写、复制还是 AI,提交者都应该能够说明改动理由、验证方式和维护边界。对于依赖志愿者审查的项目,这比单纯鼓励提高产出更切中问题。

机器可读配置也有实际价值。与只写一份 CONTRIBUTING.md 相比,它可以统一文档、PR 模板和检查入口;与让维护者猜测代码来源相比,它把争议收敛到事先公布的规则。

但文章把调查结果提升为「社区已经达成共识」,证据还不够完整。它没有在正文交代抽样方式、调查日期、完整编码方法和复核过程。标题声称分析十项治理属性,正文实际上只展开了三项。150+ 个调查对象与 25 个深入审计对象之间的关系,也需要更清晰的说明。百分比适合帮助理解这批样本,不能直接代表整个开源生态。

工具能力也有边界。贡献者可以勾选理解声明,却仍然没有理解;机器人可以不披露身份;目录是否应该禁止提交,也取决于仓库是否有意共享代理配置。作者所说的减少争执、保护维护者精力,缺少实施前后的对照数据,目前仍属于有道理的设计主张。

普通团队不必一开始就采用完整工具链。贡献量较少时,一份清晰的政策、PR 模板和少量 CI 规则可能已经够用。等到多仓库同步、规则漂移或人工提醒成为负担,再引入统一 Schema,收益更容易评估。

能拿来做什么

  • 给开源项目提交前,先查 CONTRIBUTING.md、AI_POLICY.md、AGENTS.md 和 PR 模板。按项目指定的位置披露 AI 使用情况,并准备自己解释关键改动及验证结果。
  • 维护前端或 Node 仓库时,先明确代码、文档、测试各自允许怎样使用 AI,以及是否接受自动 PR。把责任要求写成贡献者能够实际回答的问题。
  • 使用终端编程代理时,把贡献政策放进代理能发现的入口,并在提交前检查暂存区,确认没有意外带入提示缓存或本地工作区文件。
  • 将 CI 用于检查尾注、确认项和明确禁止的文件路径;将正确性判断留给测试与评审。对勾齐全只能说明流程条件满足,不能作为补丁可靠的证明。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
用确定性检查核验 AI 修复声明
下一篇
腾讯 Hy4 Flash 主打低价与多协议接入

资讯速览

dev.to · AI · 2026-11-17 23:44

AI 评分 8.0 / 10

相关标签

#开源治理#AI编程#贡献规范

继续阅读

  • VS Code 预览版改进 Agent 会话管理
  • 用确定性检查核验 AI 修复声明
  • 腾讯 Hy4 Flash 主打低价与多协议接入
  • 指标可复现,模型评估就可靠吗?
  • Qwen4-Max 上线,编程表现与开放性成焦点