, AI-SLOP Detector 3.1.1 - Analysetool zum Erkennen von Spaghetti-Code, der von AI-Agenten erstellt wurde

AI-SLOP Detector ist ein Tool zur statischen Analyse struktureller Mängel, die häufig in von AI-Agenten erzeugtem Code auftreten.

Statt einer einfachen Stilprüfung liegt der Fokus darauf, Dinge wie Stub-Implementierungen, Phantom-Imports, übertriebene Kommentare/Begriffe oder hinter Helpern versteckte Komplexität zu erkennen – also auf „Code, der oberflächlich sauber aussieht, in Wirklichkeit aber instabil ist“.

Was kann es?

• Analyse einzelner Python-Dateien / ganzer Projekte
• Einbindung in Automatisierungs-Pipelines per JSON-Ausgabe
• Einsatz als CI-Gate
• Unterstützung für eine VS Code-Erweiterung
• Erkennung struktureller Fehlermuster in AI-Code

Warum ist das nötig?

• Hilft dabei, zwischen der oberflächlichen Qualität und der tatsächlichen Implementierungsdichte von schnell erzeugtem AI-Code zu unterscheiden
• Filtert zusätzlich plausibel wirkenden, aber inhaltsleeren Code heraus, den Lint-/Style-Tools leicht übersehen
• Lässt sich direkt von lokaler Analyse bis hin zu CI durchgängig einsetzen

Zentrale Änderungen von 2.9.x bis 3.1.1

• Phantom-Import-Erkennung hinzugefügt und präzisiert
  → Nicht vorhandene Pakete, fehlerhafte Imports sowie optionale Dependencies/guarded imports werden genauer unterschieden
• History-Tracking + Self-Calibration hinzugefügt
  → Auf Basis der Ausführungshistorie lassen sich False Positives und echte Probleme leichter unterscheiden
• Das Scoring-Modell auf ein gewichtetes geometrisches Mittel (GQG) umgestellt
  → Ein oder zwei gute Metriken können Gesamtprobleme nicht mehr so leicht verdecken
• Erkennung fragmentierter God Functions hinzugefügt
  → Erkennt auch Muster, bei denen komplexe Funktionen in mehrere Helper aufgeteilt werden, um sie sauberer wirken zu lassen
• Erkennung von Placeholder-Variablennamen hinzugefügt
  → Auch Code mit Namen wie r1, r2 ... r12 oder übermäßig vielen Ein-Buchstaben-Parametern wird als Signal für geringe Aussagekraft erkannt
• Erkennung von leeren Containern / Constant Stubs verstärkt
  → Auch „Code, der nur formal eine Funktion ist“ wie return {}, return [], return 42 wird besser erkannt
• Adversarial Validation auf Basis von SPAR-Code hinzugefügt
  → Weniger eine Funktionserweiterung als vielmehr eine Verstärkung, um bislang übersehene Umgehungsmuster besser zu erkennen
• VS Code / CLI-Workflow verbessert
  → Clone-Signal-Sichtbarkeit, Workspace-Analyse, History-Trends und weitere praktische Abläufe wurden verbessert.