0、概述

    本文探讨AI编程（Vibe Coding）面临的两大核心挑战：一是需求细化问题，AI只能处理”共识部分”，对”非共识”的独特需求无能为力；二是复杂工程问题，软件工程本质是人与人的协作，AI难以应对涌现性与多目标权衡。

1、前言

    在古法编程时代，假设我是一个项目经理。某天，我收到一份用户需求，当我小心翼翼地打开文档，上面却只写着”做一个待办事项管理软件“这几个字。

    面对这份极简的需求，我开始回忆用户的使用习惯，并结合自己的经验进行思考。随后，我找来几个小伙伴——分别负责UI设计、系统开发和系统测试——组成了一个团队。

    在项目实施过程中，程序员需要鼓励，团队需要定期开会沟通，开发出来的中间成果也要及时给用户展示和确认。

    AI编程来了，如何解决下面两个问题：

1.     1. 需求细化： 使用 AI进行编程，如何通过模糊的需求信息，实现精细的软件功能？
2.     2. 复杂工程问题： 软件工程本质上是一项复杂工程，如何通过 AI 来实现这种复杂工程？

2、需求细化

2.1 概述

    我用一句话生成了一个软件。按照信息守恒原理，信息不会凭空增加。那么，在这个过程中，AI 究竟往里面“加”了什么信息？这些被加入的信息，又是否真实？。是无中生有，还是道生一，一生二，二生三，三生万物。

2.3 加进去了什么信息

    在还原“做一个待办事项管理软件”这个需求的时候，包含两部分内容，一部分是共识的内容，还有一部分是非共识的内容。

    共识部分： 为什么 AI 能处理共识？因为在 AI 的模型（先验知识）与你的意图之间，存在巨大的互信息。我们吐出一个词，它就能预测你后面的 100 步。

    非共识部分： 当我们想要“定制化功能”时，这部分逻辑在 AI 的先验知识里是不存在的。

    要消除非共识领域的不确定性，你必须在输入端提供等量的有效信息。

2.3 增加的信息是否真实

    当我们给出一句话，AI 实际上是在玩一场拼图游戏：我们给了它一小块核心拼图，它从自己的仓库里找出了成千上万块看起来长得像、能拼上的边缘拼图，最后拼出了一个我们想要的轮廓。这种增加的信息，与其说是真相，不如说是可能性。

    AI 尝试根据这一句话生成出整个程序，就像把一张 10KB 的缩略图强行拉大到 4K 分辨率。由于丢失的信息无法凭空产生，AI 只能用其语料库里的“平均像素”去填补，产出的结果自然就是模糊、平庸且缺乏细节的“马赛克”。

3、复杂工程问题

3.1 概念

1）简单/繁杂（ 有序系统  ）

    这里把简单工程和繁杂工程归位一类有序系统 ，繁杂工程通常指任务量巨大、技术参数繁多、步骤琐碎，但逻辑关系相对确定的工程。

    航天飞机被视为人类历史上最繁杂的单体机器。它由超过 250 万个零件组成，拥有数千公里的电线和密密麻麻的阀门。

    尽管零件极多，但每一个零件的功能都是确定的。如果你拆解一台航天飞机并重新组装，只要图纸正确、工艺达标，它的运行逻辑是可预测的。

2）复杂系统

    复杂工程是指系统要素之间存在高耦合、非线性关系，且环境动态变化，具有涌现性（Emergence）特征的工程。

    造航天飞机的过程是复杂系统，因为制造过程不再仅仅是物理零件的堆砌，它是一个包含人、技术、政策、供应链和不可预见性的动态生态系统。 

3.2 软件工程的特点

    软件工程的本质：它是一门管理复杂性的社会技术学科。代码是表象，人与人的协作、 决策、持续演化的适应才是内核。

3.3 AI在软件工程中的表现

一、 有序工程：AI 的“主场”

    有序工程是指逻辑路径清晰、因果关系明确、具有高度重复性或模式化的任务。在这一领域，AI 的表现接近甚至超过资深工程师。

二、 复杂工程：AI 的“滑铁卢”

    复杂工程涉及涌现性（Emergence）、非线性因果和多目标权衡。当系统规模扩大、依赖项增多时，AI 的局限性开始显现。

4、总结

4.1 AI厉害在哪

1.     1. 共识碾压：AI学的都是人类最好的知识，它生成的”标准答案”往往比大多数程序员写得好
2.     2. 效率惊人：同一个需求，AI十分钟写的代码，新手搞一下午未必赶得上
3.     3. 经验平权：以前要踩很多坑才懂的道理，AI直接就能告诉你

4.2 AI的局限

1.     1. 不会创新：AI只会排列组合已有的东西，不会真的”创造”。所有人都用AI？那AI就是人类知识的”平均数”，永远别想”超越”
2.     2. 搞不定非共识：你的独特需求、对业务的理解、对用户的洞察——这些AI学不会
3.     3. 做不了复杂协作：软件工程是人和人的协作、博弈、权衡，AI只能处理”有标准答案”的问题