AI 修复杂程序，未必比修“小毛病”更容易翻车。就像让人修一台机器，却没告诉他接口原本该怎么接：推理再强，也可能把错误方案做得很像正确答案。Nhu Hoang 对 ky、immer 和 decimal.js 的三个真实缺陷进行了 28 次盲评——评判者不知道实验条件，以减少先入为主。结果显示，两个看似棘手的缺陷在 16 次尝试中全部修对；一个看似简单的 HTTP 客户端选项问题，却在 12 次尝试中全部失败。
更值得警惕的是，这 12 个错误补丁都通过了完整的 84 项重试测试，却会破坏用户数据。作者认为，关键差别不是程序复杂度，而是信息是否可见：前两个问题能从代码库和缺陷报告中推断答案，后一个则依赖未写明的 API 约定。Coding harness——把模型、代码库、工具、测试与反馈串起来的运行框架——若没有暴露这类上下文，AI 便可能在“测试全绿”时自信交出坏修复。一次实验中，评审代理甚至识别出数据风险，最后仍批准了补丁，说明增加流程也未必补得上判断缺口。以上结论来自作者对这 28 次实验的自述，样本仅覆盖三个缺陷。