43 分讨论背后:社区开始划线
开源项目正在公开表态:是否接受 AI 生成的贡献。
我找到的汇总站点是 osssaysno.com。它搜集开源项目针对 AI 生成贡献的公开声明,以及项目维护者对代码来源、审查方式和维护责任的态度。
这件事登上了 Hacker News 首页。讨论题为 “OSS projects banning AI-generated contributions”,原文链接指向 osssaysno.com。
截至素材记录,这条 Hacker News 讨论获得 43 分和 50 条评论。讨论入口:
- Hacker News:https://news.ycombinator.com/item?id=50451102
- 项目立场汇总:https://osssaysno.com
43 分不算高,50 条评论却足够集中。对 HN 来说,这意味着话题不算大,但分歧足够大。
一派支持开源项目设限。他们认为,维护者没有义务替匿名工具承担审查成本。另一派认为,全面禁止会阻碍个人开发者使用 AI,也会把“使用 AI”错误地等同于“代码不可信”。
表面上,这是“能不能用 AI 写代码”的争论。更准确地说,这是社区在划分一条责任边界:生成代码可以进入项目,但生成者、维护者和提交者不能借工具隐藏责任链。
被拒绝的不是 AI,而是无人负责的补丁
维护者真正担心的,并不是 LLM 能不能写出语法正确的函数。
争议核心是:AI 生成代码能否被维护者理解,并继续维护,而不只是代码能否被生成。
一个 patch 能通过 CI,不代表它适合进入长期维护的代码库。维护者还要回答几个更麻烦的问题:
- 这段代码从哪里来?
- 是否复制了训练数据中受版权保护的代码?
- 提交者是否理解实现和边界条件?
- 出现安全问题时,谁负责解释和修复?
- 项目停止维护后,这段 AI 代码由谁接手?
这也是 AI 代码与普通低质量贡献之间的区别。低质量代码至少通常有一个明确作者。那个人可以回答设计意图,也可以承认错误。
AI 生成代码常把责任链切断了。提交者按下了提交按钮,但很难逐行证明自己理解生成结果。代码一旦进入核心路径,后续维护成本却由整个社区承担。
许可问题更难。训练数据通常不公开,模型供应商一般提供的是自己的使用许可,而不是对生成结果中潜在的重复制做逐项保证。
这并不自动证明生成代码侵权。但它把举证成本推给了维护者:项目必须先相信代码来源干净,才能放心合并。
所以,反对者并非只说“别用 AI”。他们在说:“别把一个无法解释、无法追责的 patch 伪装成普通贡献。”
“禁止”只是表层,贡献流程才是核心
一句“禁止所有 AI 生成贡献”很容易传播,却未必好执行。
AI 已经进入编辑器、Issue 模板、代码补全和自动化 Agent。维护者即使不直接要求“用 AI 生成”,也很难仅凭最终 diff 准确判断代码来源。
更可执行的方案,是把贡献过程变成可追踪的流程。
例如,项目可以要求提交者在 PR 中说明:
- 是否使用 AI 协助生成或修改代码。
- 工具和模型是什么。
- 哪些部分由 AI 生成。
- 提交者是否独立验证过实现。
- 是否确认过许可证、密钥泄露和依赖供应链风险。
这不是一句倡议,而应该进入模板、CI 和 review 规则。像 GitHub 的 pull_request_template,或者贡献指南里的检查项,都能留下可审计记录。
下面是一个简化的 PR 模板。它不是任何特定项目的官方配置,只展示一种可落地的写法:
name: AI-assisted contribution
description: Declare how AI tools were used in this pull request
body:
- type: checkboxes
id: ai-disclosure
attributes:
label: AI usage disclosure
options:
- label: This contribution was generated or modified with AI assistance
required: true
- label: I reviewed and understood every changed line
required: true
- label: I checked dependency licenses and accidental secret exposure
required: true
- type: textarea
id: ai-details
attributes:
label: Tools, models, and affected files
validations:
required: true
政策也可以分层,而不是一刀切:
- 文档、测试夹具、低风险工具脚本:允许使用 AI,但必须披露。
- 核心库、安全模块、权限代码:要求逐段说明、额外 reviewer 审查。
- 依赖升级、许可证变更、密钥和基础设施代码:禁止自动生成后直接提交。
关键不在标签是“AI”,还是“人”。关键在于,维护者能不能理解、验证,并在出错后找到责任人。
企业开源项目会更早收紧门槛
企业维护的 OSS 项目通常会更早执行这套规则。
原因是企业内部面对的风险更多:代码要进入公开仓库,贡献者可能来自外部,安全团队需要确认攻击面,法务需要确认许可证,审计团队需要保存决策记录。
一次未经说明的 AI 贡献,可能带来四类成本:
- 安全成本:生成代码引入不安全的默认值、失效访问控制或隐蔽依赖。
- 许可证成本:代码与第三方片段难以完成来源核验。
- 审计成本:说不清哪部分由谁编写、哪部分经过人工验证。
- 品牌成本:项目一旦被卷入大规模低质量 AI PR,维护响应本身就会成为公共事件。
这与公司内部开发不同。内部项目至少还有员工身份、工单和代码审查记录。公开仓库面对的是陌生贡献者,任何人都可以提交一个看起来完整的 patch。
企业更可能采用“允许辅助,但必须披露”的政策。原因很现实:如果规则过于严格,合法的 AI 辅助贡献者会绕过规则;如果完全不管,维护者会被低质量 PR 淹没。
不过,企业也会把最敏感的部分留在闭源仓库中。公开项目更关注许可证、品牌和外部攻击面,而不是展示 AI 使用率。
编辑思考
开源社区很难形成统一禁令。不同项目风险不同,维护者数量也不同。更现实的方向是建立分层制度:允许使用 AI,但要求披露工具、标记生成部分、保留人工验证责任;核心代码则增加审查门槛。
这次和过去几轮“AI 编程工具是否提高效率”的讨论不同。以前争论的是开发者用不用 Copilot、Claude Code 或 Cursor。现在讨论的是生成物能否进入公共代码库,以及出了事谁负责。工具效率是个人收益,维护责任却是社区成本。
我的判断是,最终胜出的不会是最严格的项目,而是最清晰的规则。类似正式化验证或 SBOM 的思路会被更多项目采用:不能证明来源的内容,不应进入高信任路径。
仍有一个暂时没有答案的问题:AI 生成代码的许可来源依然难以核实。即使完整披露了模型和 prompt,也不能自动证明代码没有复制训练材料。披露解决的是责任链,不等于解决版权链。开源社区接下来划出的,可能不是“AI 与人”的界线,而是“可验证贡献”与“不可验证补丁”的界线。
来源(必须引用)
https://osssaysno.com