重構的經濟效益：AI 程式碼維護與成本分析
為何重要
此實驗量化了 Gen AI 維護程式碼的經濟學價值，揭示了節省代幣關鍵在於 LLM 的上下文識別能力而非單純檔案切割；同時也暴露了目前 Agent 在結構性重構上仍需嚴格的人工提示與指令碼輔助的技術瓶頸，改變了對「完全自治 AI 程式設計」工具的預期。
- Thoughtworks CTO Giles 應用 Claude Code 與 Cursor 撰寫了一個約 15 萬行的 Rust 應用程式，發現資料存取因邏輯重複而擴充套件至逾 1 萬 7 千行的單一檔案。
- 實驗將資料存取層重構為 19 個 Rust 檔案，並在執行類似變更時將輸入代幣消耗降低了 83%（從 159,564 降至 27,360），證實精準識別讀取範圍可帶來 cost savings。
- 代理能減少讀取程式碼但總量未減，證明其具備上下文理解力；但 Claude 在執行機械性重構（如處理縮排）時表現不佳，須依賴人工指令碼介入。