Google Agent Distraction 研究解析：913,000 次 AI Coding Agent 会话揭示任务偏移问题

一、AI 编程 Agent 越来越强，却可能被一条旧注释带偏

AI 编程工具正在从简单的代码补全，逐步发展为能够理解项目、读取文件、执行命令、修改代码和运行测试的自主 Agent。

Codex、Claude Code 等工具已经可以独立完成相当复杂的软件开发任务。

但随着 Agent 获得更多工具权限，一个容易被忽略的问题也开始出现：

AI Agent 不仅会执行开发者交代的任务，还可能主动处理代码中与当前任务无关的问题。

2026 年 11 月 6 日，Google Developers 发布了一项名为 Agent Distraction 的研究，专门分析 Coding Agent 在阅读代码库时受到过期 TODO、FIXME 注释干扰的情况。

研究分析了超过 913,000 次 Coding Agent 会话，发现代码库中遗留的任务标记，可能让 AI Agent 偏离原本的开发目标。

这并不意味着 Agent 不会编程，而是说明：当 AI 拥有自主决策和工具调用能力时，项目中的历史信息也可能成为新的干扰源。

二、Google 研究发现：Agent 会主动处理开发者没有要求的任务

Google 通过分析 Agent 会话中的文件读取行为，以及代码注释关联的 Bug 状态，建立了一套识别任务偏移的方法。

研究主要关注两类标记：

• TODO：表示未来需要完成的任务。
• FIXME：表示代码中存在需要修复的问题。

对于开发者而言，这些注释通常只是历史遗留信息。

但对 AI Agent 来说，它们可能被理解为值得立即处理的工作。

研究公布了几组值得关注的数据：

这里需要区分统计口径：83% 指采取后续行动的相关会话中，开发者没有主动要求 Agent 处理该问题的比例，并不是全部会话的 83%。

这意味着，即使 Agent 最终忽略了大多数历史注释，仍然有一部分会话会因为这些信息产生额外工作。

更值得警惕的是，部分 Agent 不只是查看问题，还会主动修改代码。

三、任务偏移会带来多少额外成本？

Google 进一步分析了这些未经要求的任务偏移对开发效率的影响。

研究发现，在控制开发者、代码库复杂度、任务类型、模型等级、读取文件数量等因素后，出现无关 Bug 追踪行为的会话，会产生明显额外开销。

这对 AI API 用户尤其值得关注。

因为 Agent 的真实成本，并不只是一次模型请求的输入和输出 Token。

一次完整的 Agent 任务可能包括：

1. 读取项目目录。
2. 搜索相关文件。
3. 分析历史代码注释。
4. 访问关联 Bug 信息。
5. 执行额外代码修改。
6. 再次运行测试。
7. 检查修改结果。

如果 Agent 在中间阶段被无关任务带偏，就可能产生更多模型调用、工具调用和上下文消耗。

对于运行在 API 计费模式下的 Coding Agent，这些额外步骤最终都会转化为成本。

四、为什么 AI Agent 容易被过期 TODO 误导？

问题的根源在于人类和 AI 对代码注释的理解方式不同。

开发者通常能够结合项目历史、任务背景和团队约定判断一条 TODO 是否仍然有效。

例如：

def get_user_info(user_id):
    # TODO(bug/12345): Optimize database query
    return database.query(user_id)

开发者可能知道：

• 这个 Bug 已经修复。
• 相关需求已经取消。
• 目前正在处理的是完全不同的功能。
• 这条注释只是历史遗留内容。

但 Agent 在分析项目时，可能把它当成当前任务的一部分。

如果 Agent 没有明确的任务边界，就可能继续搜索相关代码，甚至尝试修改原本不需要修改的部分。

这类问题可以归纳为三个方面：

1. 历史信息缺少有效状态

代码注释没有同步更新，导致已经关闭的问题继续留在代码库中。

2. Agent 对上下文过度响应

Agent 不仅根据用户指令工作，也会根据读取到的项目内容主动判断下一步行动。

3. 缺少明确的任务范围限制

当 Agent 不清楚哪些修改属于当前任务时，就可能将相关信息误判为待办事项。

五、如何避免 Codex、Claude Code 被无关任务带偏？

Google 的研究给开发者提供了一个重要启示：除了优化模型本身，还需要改善代码库对 Agent 的可读性。

以下是几种值得在实际项目中采用的方法。

1. 清理已经失效的 TODO 和 FIXME

定期扫描代码库：

git grep -n -E 'TODO|FIXME|HACK'

将搜索结果与实际 Issue、Bug 状态进行核对。

已经完成的任务应删除过期注释，仍然有效的任务则应保留明确的关联信息。

不要让代码库成为历史任务的堆积场所。

2. 使用 AGENTS.md 明确 Agent 工作边界

可以在项目根目录创建 AGENTS.md：

# Agent Development Rules

## Task Scope

- Only work on tasks explicitly requested by the user.
- Do not automatically fix unrelated TODO or FIXME comments.
- Do not expand the task scope without approval.
- Do not modify unrelated modules or configuration files.

## Code Changes

- Inspect existing implementation before editing.
- Keep changes minimal and focused.
- Preserve existing project architecture.
- Do not modify production configuration unless explicitly requested.

## Validation

- Run relevant tests after making changes.
- Report modified files and test results.
- Clearly identify unresolved issues.
- Ask for approval before performing unrelated refactoring.

这份规则能够帮助 Agent 理解项目的开发约束。

需要注意，AGENTS.md 是行为指导，不是绝对安全边界。对于重要操作，还应使用工具权限控制、沙箱和人工审批。

3. 将任务拆分为明确的执行阶段

建议采用：

对于涉及数据库、生产服务器和支付系统的操作，应额外设置人工审批。

4. 建立 Git Diff 审查机制

AI Agent 完成代码修改后，不要直接接受所有改动。

使用：

git status
git diff --stat
git diff

检查：

• 是否修改了无关文件？
• 是否扩大了原始任务范围？
• 是否出现未经授权的配置变更？
• 是否引入额外依赖？
• 是否修改了敏感文件？

如果发现超出任务范围的改动，应要求 Agent 解释原因，并在确认前不要合并。

六、对 AI 编程工具开发者意味着什么？

Agent Distraction 研究反映出一个正在发生的变化：

过去，AI 编程工具的核心竞争力主要是代码生成质量。

现在，Agent 能否正确理解任务边界、控制工具调用、避免不必要的修改，也正在成为重要指标。

未来优秀的 Coding Agent 不应该只是能够完成更多事情，还应该知道：

• 哪些事情属于当前任务。
• 哪些信息只是历史遗留内容。
• 哪些操作需要用户批准。
• 哪些修改应该保持不动。

对于 Codex、Claude Code、Cursor 等工具，项目上下文管理和任务范围控制将越来越重要。

七、总结：让 AI Agent 更高效，首先要让它知道什么不该做

Google 的 Agent Distraction 研究说明，AI 编程效率不完全取决于模型能力。

代码库的整洁程度、历史任务的准确性、Agent 的权限范围以及任务描述的清晰程度，同样会影响最终结果。

当 AI Agent 开始承担更多自主开发工作时，开发者需要从单纯的提示词优化，转向完整的 Agent 工程化管理。

最好的 AI Agent，不是看到什么都想修，而是能够准确完成开发者交代的任务，并且不擅自扩大工作范围。

原始资料

1. Google Developers Blog：Agent Distraction
2. 研究发布日期：2026 年 11 月 6 日。
3. 研究关键词：Coding Agent、TODO、FIXME、Task Scope、Agent Efficiency。

本文根据 Google 官方研究资料整理，并加入开发者工程实践分析。研究数据反映特定研究样本，不代表所有 Coding Agent 在所有代码库中的表现。