Quantitative Analysis of Technical Debt and Pattern Violation in Large Language Model Architectures

文章核心内容、创新点及关键部分翻译一、主要内容本文聚焦大型语言模型（LLMs）生成软件架构的技术债务与模式违规问题，通过实证研究量化评估了三款主流模型（GPT-5.1、Claude 4.5 Sonnet、Llama 3 8B）在严格六边形架构约束下生成图书借阅微服务的表现。研究采用抽象语法树（AST）解析等静态分析方法，从代码实现完整性、架构合规性、可维护性三个核心维度展开分析，发现：实现完整性差异：开源模型Llama 3存在“实现惰性”，生成的逻辑代码行（LLOC）比专有模型少60%，常通过注释占位或简单模拟替代复杂业务逻辑（如LRU缓存）；架构违规率分化：Llama 3的架构违规率高达80%，频繁出现领域层直接导入基础设施依赖的“幻觉耦合”，形成循环依赖；Claude 4.5违规率为20%且仅为轻微违规；GPT-5.1则实现0违规；可维护性悖论：Llama 3虽可维护性指数（MI）更高，但源于代码简洁性而非优质设计，专有模型则在高代码量基础上保持可接受的可维护性。二、创新点提出首个量化LLM生成代码“架构侵蚀”与技术债务的实证框架，填补了现有研究仅关注功能正确性（pass@k）而忽视架构完整性的空白；定义新指标“幻觉耦合（Hallucinated Coupling）”，精准描述模型正确实现类但违规导入依赖、违反控制反转原则的现象；设计“六边形陷阱”