在 AI 代理程式編輯程式碼的時代，「AI 程式碼來源證明」技術，能逐行記錄程式碼的作者，正成為維護資料可信度的關鍵鑰匙。
想像一下。一個忙碌的早晨，您對 AI 助理下達指令：「請修復我昨天正在處理的應用程式中，有關付款邏輯的錯誤。」AI 代理程式 (AI agent) 會在瞬間分析並修改數百行程式碼，然後回報任務已完成。但您是否曾閃過一個疑問：「這段程式碼中，有多少是我的想法和意圖的體現，又有多少是 AI 的自主判斷？」
近期，人工智慧不再僅限於回答問題，而是開創了「代理程式時代」，能直接修改、編輯程式碼並執行創意工作。在這令人驚嘆的發展浪潮中，開發者面臨了新的挑戰：AI 究竟修改了什麼、修改到何種程度，往往難以清晰得知。今天，我們將深入探討「AI 程式碼來源證明 (Provenance)」技術，以解決這種混亂，並讓人類與 AI 的協作更加透明。
這為何如此重要？
| 「誰寫了這段程式碼？」這個問題不僅是單純的好奇，更與軟體開發的信任度和責任感息息相關。許多開發者利用大型語言模型 (LLM: Large Language Model) 時，並非用於從頭開始建立新程式碼，而是更多地用於修改或改進現有程式碼 來源：EditLens: Quantifying the Extent of AI Editing in Text, [來源：EditLens: Quantifying the Extent of AI Editing in Text | OpenReview](https://openreview.net/forum?id=gOkitaPCfZ)。 |
人類透過長時間思考和設計所撰寫的程式碼，對開發者而言如同「神聖之物」。這是因為程式碼中蘊含了開發者的經驗、哲學以及對問題解決的深刻洞見。反觀 AI 所產生的程式碼，即所謂的「廢料 (slop)」，有時可能包含不必要或效率低下的程式碼，進而對專案造成負擔 來源：GitHub - eighttrigrams/us-vs-them。因此，為了防止 AI 代理程式任意覆蓋開發者珍貴的意圖，明確記錄是誰、在哪些部分撰寫或修改了程式碼，已成為確保專案資料可信度、穩定性，乃至釐清法律責任的關鍵課題。若無此透明記錄，一旦發生錯誤，將極難追溯責任歸屬，或找出安全漏洞的來源。
輕鬆理解：AI 與人類的程式碼時間軸
簡而言之，AI 程式碼來源證明 就像是照片編輯應用程式中的「歷史記錄」功能。當我們編輯照片時，所有套用濾鏡的強度、調整尺寸的大小等過程都會被記錄下來，這樣我們就可以隨時恢復到原始狀態或撤銷特定步驟。同樣地，這項技術會為程式碼的每一行貼上「標籤」，準確記錄是哪個 AI 模型、在何種提示詞 (指令) 的驅動下、何時進行了介入 來源：AI Code Provenance: Track Which Agent Wrote Which Line。
| 實現這類記錄的關鍵工具之一是「AgentDiff」。AgentDiff 會將所有這些記錄儲存在軟體開發中廣泛使用的版本控制工具「Git」中 來源：GitHub - codeprakhar25/agentdiff, 來源：AgentDiff — Line-level provenance for AI-authored code。這就像在圖書館修改書籍時，人在修改的句子上蓋上「作者親筆修正」的印章，而 AI 修改的句子則蓋上「AI 自動生成」的印章。透過這個系統，我們能夠清楚地區分程式碼的哪些部分源於人類的創意，哪些部分是 AI 高效工作的成果。特別是「AgentNote」這款工具，它利用名為「3-Diff 演算法」的精密分析技術，仔細分析 Git commit (Git 中記錄的變更單位) 內的程式碼行，精確識別出哪些部分是人類的筆跡，哪些部分是 AI 的工作 [來源：Line-Level Attribution (3-Diff Algorithm) | wasabeef](https://deepwiki.com/wasabeef/AgentNote/4.1-line-level-attribution-(3-diff-algorithm))。這項技術就像法醫分析證據一樣，能夠深入挖掘程式碼的變更歷史，揭示真相。 |
現況：進展到哪個階段了？
我們已經在技術層面深入發展，能夠區分人類和 AI 所撰寫的文本。研究表明，AI 修改或生成的文本，與人類撰寫的文本相比，具有獨特的模式和風格特徵，可透過機器學習 (machine learning) 精確辨識 來源：EditLens: Quantifying the Extent of AI Editing in Text, 來源：Classifying human vs. AI text with machine learning and …。
儘管這些 AI 偵測技術日益精進，使用者自行驗證和管理「誰寫了程式碼」的需求也日益增長。為了滿足這些需求，目前 Claude Code、Cursor、Copilot 等各種最新的開發工具，都積極導入並發展符合 AI 代理程式時代的程式碼來源透明管理系統 來源：AgentDiff — Line-level provenance for AI-authored code。這些系統能協助開發者在獲得 AI 協助的同時，仍能保有對自身程式碼的完全控制權和理解度。這就像建築師在複雜的設計圖上採納 AI 的建議，同時也留下自己承擔最終責任的清晰記錄。
未來展望？
未來，「誰寫了程式碼」的透明記錄將成為開發流程的基本且必需的要素。人類撰寫的程式碼將受到 AI 代理程式的更加珍視，AI 在修改程式碼時，會檢視每行程式碼上留下的來源記錄 (Provenance)，並判斷「這部分是人類精心編寫的重要程式碼，修改時應特別謹慎」。
最終，人類與 AI 並非競爭關係，而是將朝向基於清晰記錄和相互尊重的更強大協作方向演進。這項技術將提升開發過程的透明度，並在創建可靠軟體方面發揮決定性作用。您每次撰寫程式碼時，留下透明的軌跡，不僅有助於日後查找難以預料的錯誤或應對安全威脅，更將最終為開啟更有效率、更富創意的「人機協作時代」奠定基礎。這項技術不僅是簡單的記錄，更將成為人類創造力與 AI 效率和諧共存的未來開發環境的核心支柱。
MindTickleBytes AI 記者視角
隨著技術的進步，「人類的思維」與「人類的雙手」將變得更加珍貴。這次的 AI 程式碼來源證明技術，反而會在 AI 時代成為證明和保護人類獨特性與創造力的最強大機制。當 AI 快速作業時，人類將能更專注於深入思考和做出更重要的決策。這不僅僅是關於編寫程式碼，更是提升人類智識價值的關鍵轉捩點。
參考資料
- GitHub - eighttrigrams/us-vs-them
-
[Nuxt HN Human vs. AI – Diff-based line-level provenance for …](https://hn.nuxt.dev/item/49232300) - AI Code Provenance: Track Which Agent Wrote Which Line …
- GitHub - codeprakhar25/agentdiff: Git-native AI code …
-
[Line-Level Attribution (3-Diff Algorithm) wasabeef …](https://deepwiki.com/wasabeef/AgentNote/4.1-line-level-attribution-(3-diff-algorithm)) - AgentDiff — Line-level provenance for AI-authored code
- Classifying human vs. AI text with machine learning and …
- EditLens: Quantifying the Extent of AI Editing in Text
-
[EditLens: Quantifying the Extent of AI Editing in Text OpenReview](https://openreview.net/forum?id=gOkitaPCfZ)
- 提升 AI 模型速度
- 記錄並驗證程式碼的作者與來源
- AI 生成程式碼的完美自動修復
- 可以隨時修改
- 應視為神聖，謹慎處理
- 應自動刪除
- 1-Diff 演算法
- 2-Diff 演算法
- 3-Diff 演算法