# 1. 传统代码度量（圈复杂度、覆盖率、代码重复率）在 AI 时代的局限性中 AI 生成代码可能"高覆盖低质量" A 覆盖率越高，代码质量一定越高 B 覆盖率反映的是"测试执行了多少行"，不反映断言是否有效，AI 代码可"高覆盖低质量" ✓ 正确答案 C 圈复杂度低说明代码一定可维护 D 传统度量能完全捕捉 AI 代码的质量
# 2. AI 代码质量的新型度量中 Mutation Score（变异得分）、AI 幻觉率、Spec 符合度、代码可维护性指数（Maintainability Index） A 幻觉率只反映运行时错误，与准确性无关 B 变异得分与覆盖率完全等价 C Mutation Score 衡量测试能否发现变异，能揭露"高覆盖但断言弱"；幻觉率与 Spec 符合度衡量 AI 输出的真实性与符合性 ✓ 正确答案 D 可维护性指数只反映代码行数
# 3. 为什么 LOC/提交数在 AI 时代失去意义，应转向哪些"问题解决量"指标？ A 提交数能准确反映 AI 时代的工作量 B LOC 越高代表产出越大，应继续作为核心指标 C LOC 与提交数被 AI 放大而失真，应转向问题解决量等价值指标 ✓ 正确答案 D 问题解决量无法衡量，只能看 LOC
# 4. AI 时代缺陷度量的重构中如何从「生成即缺陷」与「逃逸到生产」两个层面分别度量，形成 AI 代码质量漏斗并驱动改进？ A 应从"生成即缺陷"与"逃逸到生产"分层度量，形成质量漏斗并定位改进点 ✓ 正确答案 B 只需统计总缺陷数即可 C 生成即缺陷与逃逸到生产是同一概念 D 质量漏斗无法定位改进方向
# 5. 人机协同的整体度量中如何综合衡量人+AI 的交付质量与速度，避免只盯 AI 生成量或人工产出？ A 应综合衡量人+AI 的质量与速度，避免只盯 AI 生成量或人工产出 ✓ 正确答案 B 只需看 AI 生成量即可衡量效率 C 人工产出与 AI 产出无需结合起来看 D 质量与速度应分开衡量，互不相关
# 6. "AI Acceptance Rate"（AI 提案接受率）与"Revert Rate"（回滚率）作为团队级 AI 工具效能指标 A 只需看接受率，无需关注回滚率 B 接受率越高越说明 AI 质量好 C 回滚率与 AI 无关 D 接受率反映采纳度，回滚率反映质量，两者结合评估 AI 工具效能 ✓ 正确答案
# 7. AI 生成代码的可维护性度量（复杂度/内聚/命名质量）如何自动化评估？ A 命名质量无法自动化检测 B 可维护性只能靠人工主观判断 C 复杂度与可维护性无关 D 可通过静态分析工具自动化度量复杂度、内聚、命名质量，并接入 CI 门禁 ✓ 正确答案
# 8. AI 生成代码占比如何度量，代码溯源、提交模式分析、与人工代码的缺陷率对比如何设计？ A 提交模式分析只能识别人工代码 B AI 占比无法度量，只能估计 C AI 与人工代码缺陷率对比无需控制变量 D 应通过代码溯源、提交模式分析归因 AI 代码，并在同场景下对比 AI 与人工的缺陷率 ✓ 正确答案
# 9. AI 辅助下的代码质量指标变化中哪些传统度量（覆盖率、复杂度）仍有效，哪些需要重新定义？ A 所有传统度量都已失效，应全部废弃 B 复杂度等结构度量仍有效，覆盖率需从行覆盖升级为变异得分等语义性度量 ✓ 正确答案 C 覆盖率越高越好，无需重新定义 D 复杂度对 AI 代码无意义
# 10. AI 度量口径的防刷机制中 AI 采纳率、返工率等指标如何防止团队为指标而修改统计口径或刻意压低 AI 使用率？ A 应通过口径统一审计、多指标联动、激励与指标脱钩等方式防刷 ✓ 正确答案 B 指标口径可由团队自行修改，便于美化 C 压低 AI 使用率能规避所有问题 D 指标与绩效挂钩越紧越好
# 11. AI 生成代码的变更规模度量中 diff 行数、文件数与认知负荷的关系，如何防止"大而全"的 AI 生成 PR 绕过评审？ A 大而全的 PR 应鼓励，以快速交付 B 大 PR 认知负荷低，易于评审 C 变更规模与评审质量无关 D diff 行数与文件数影响认知负荷，应设规模门禁防止大 PR 绕过评审 ✓ 正确答案
# 12. AI 生成代码的可测试性度量中 AI 代码的依赖注入与纯函数占比如何评估，与人工代码的可测试性如何对比？ A 可通过依赖注入占比、纯函数占比等静态度量评估，并与同场景的人工代码对比 ✓ 正确答案 B 可测试性无法度量，只能主观判断 C 依赖注入与纯函数占比与可测试性无关 D AI 代码可测试性天然优于人工代码
# 13. AI 度量的语境化中相同指标在不同复杂度任务间如何分层或加权，避免跨任务误比？ A 简单任务的指标能代表团队整体质量 B 不同复杂度任务的指标可直接对比 C 任务复杂度与度量无关 D 应按任务复杂度分层或加权，避免跨任务误比 ✓ 正确答案
# 14. "AI 辅助代码占比"（AI-authored LOC %）与"AI 重写频率"作为代码健康度信号 A AI 占比越高越健康 B 占比反映 AI 依赖度，重写频率反映 AI 稳定性，联合看反映代码健康度 ✓ 正确答案 C 重写频率高说明 AI 效率高 D 这两个指标与代码健康度无关
# 15. 团队级 AI 质量看板中生成占比、通过率、返工率、缺陷逃逸如何联合呈现？ A 看板只看生成占比即可 B 看板应联合呈现生成占比、通过率、返工率、缺陷逃逸，支持下钻以驱动改进 ✓ 正确答案 C 看板指标孤立呈现，无需联动 D 看板只用于展示，不用于决策
# 16. 度量驱动的改进闭环中 AI 时代如何用度量结果反哺 Prompt/规范/工具链的持续优化？ A 度量结果应反哺 Prompt、规范与工具链，通过"采集—分析—改进—复测"闭环持续优化 ✓ 正确答案 B 度量只是为了汇报，无需驱动改进 C 度量结果只能反哺 prompt，不能反哺工具链 D 改进后无需复测验证
# 17. AI 生成代码的质量抽检机制中如何对 AI 代码按比例抽检并建立抽检记录与反馈闭环？ A 抽检与门禁重复，无需并存 B 抽检应只抽简单的 AI 代码 C 抽检结果无需记录与反馈 D 应按比例随机+分层抽检，记录结果并建立反馈闭环，与全量门禁互补 ✓ 正确答案
# 18. AI 度量数据的来源与工具中 IDE 遥测、提交元数据与评审平台如何提供归因数据？ A 提交元数据无法识别 AI 变更 B AI 度量数据只能来自 IDE C IDE 遥测、提交元数据、评审平台分别提供生成源、变更归属与质量结果，整合形成归因链 ✓ 正确答案 D 评审平台与 AI 度量无关
