用Git Trailer记录AI贡献率：从强制标记到量化分析

在公司推行AI辅助编程最头疼的不是员工不用，而是用了之后没人知道代码到底是谁写的。为了解决这个问题，我们之前在团队内部强推了一套机制：所有提交必须在 Git commit 的 footer 里标注 AI 的参与度，否则直接拦截提交。结果这套机制跑了快一年，数据在 git log 里堆成了山，但由于缺乏统计工具，这些数据成了纯粹的“僵尸信息”，直到最近我才意识到这其实是个巨大的资产。

这种记录方式其实借鉴了 Linux 内核和 LLVM 的做法，利用 Git trailers（类似 Signed-off-by 的键值对）来存储 AI 贡献信息。这种做法比在 PR 描述里随口说一句“AI 帮我写了”要硬核得多，因为它直接绑定在版本历史里。

为了把这些数据变现，我折腾了一个 GitHub Action，用来统计历史提交中 AI 代码的实际占比。它的逻辑不是简单的次数统计，而是根据每个 commit 修改的行数进行加权计算。

具体的权重逻辑大致如下：

• Authored-by：纯人工，权重 0.00
• Assisted-by：AI 辅助，权重在 0.3 - 0.7 之间（视具体标注而定）
• Generated-by：AI 全量生成，权重 1.00

最后，这个工具会把计算结果通过 Shields.io 的徽章形式挂在 README 上。颜色会随占比变化：33% 以下是蓝色，34%-66% 是紫色，超过 67% 则变成品红。

这种量化对我们在公司内部评估 AI 提效非常有帮助。比如我对比了一下，有些纯手动维护的旧模块是蓝色，而最近由 Claude 高强度产出的新功能模块直接跳到了品红区间（占比 88%）。

如果你也想在团队里实施类似的 AI 贡献度追踪，建议直接用 Git trailer 方案，不要自创格式。这里推荐两个实操工具：

1. 强制拦截工具（确保每个人都得写标注）：

# rai-lint 用于在 commit 阶段检查 footer 是否缺失

https://github.com/anchildress1/rai-lint

2. 统计量化工具（把标注变成可视化比例）：

# rai-commit-badge 将历史记录转换为权重徽章

https://github.com/anchildress1/rai-commit-badge

说白了，AI 时代的代码审计不能只靠感觉，得有数据支撑。