随着出版商和资助机构要求作者披露 AI 工具在研究中的贡献，代码仓库成为审计者寻找答案的主要场所。我们审计了同一作者在同一研究领域的两个单人仓库，分别保存了两类不同的代理残留：* 规定性痕迹（standing rule files），记录了规则文件的静态声明；* 叙事性痕迹（running agent scratchpad），记录了代理的交互式笔记。两个仓库分别包含 466 次和 103 次提交。
在规定性痕迹中，85.6% 的已提交行在当前版本仍可见，规则文件往往只保留结论并抛弃背后的过程；而叙事性痕迹仅保留 21.8% 的行可见。若按修订计数，差距显著缩小：规定性痕迹的 41 次修订中有 15 次完全不可见，叙事性痕迹的 41 次修订中有 18 次不可见。
我们进一步检查了 Co‑Authored‑By 这一自动审计字段。项目 A 中该字段出现在 66/121（约 54.5%）个含有任何 AI 标记的提交中；项目 B 中该字段对内部工作笔记文件的敏感度极低，仅 1/39（2.6%）的相关提交带有该标记。项目 A 的仓库级比例随时间波动显著，从 2.7% 跃升至 17.7%，但我们未预先设定分界点。
不同的审计渠道给出的 AI 参与率不一致，且均不能直接解释为真实的 AI 贡献率。我们逐字段列出哪些可追溯性声明能够得到支持，哪些不能，以及哪些会产生误导。基于此，我们构建了可审计的证据账本，并提出了对实时记录研究可追溯性的系统所需的关键要求。
点评：本文揭示了 Git 本身在记录 AI 代理活动方面的盲点，强调了审计方法的多样性与局限性，并为构建更透明的科研记录系统提供了实证依据。