AI 圈在喊最佳实践,这个老工程师说＂我们还没想清楚＂

AI 圈每周都有新的”权威指南”“终极框架””最佳实践”冒出来。 OpenAI 发一篇，Anthropic 发一篇，创业公司也发一篇。每篇都写得像标准答案。

然后你翻到 Martin Fowler 的网站，看到的是一头驴。

对，一头驴。他给自己的 AI 编码助手系列起了个吉祥物——一头”热情但不靠谱的驴”。用来形容 AI 目前的状态：很想帮忙，但你不能完全信它。

这位写了《重构》和《企业应用架构模式》的人，在软件工程方法论领域耕耘了 30 多年。从 2023 年 7 月开始，他和 ThoughtWorks 团队陆续发了 24 篇探索笔记，记录他们在真实项目里跟 AI 打交道的过程。

读完之后我发现，他的视角和 AI 圈主流声音之间有一个微妙但重要的裂缝。

人应该站在哪里

AI 圈讨论的核心问题是”Agent 能做什么”。 Fowler 团队讨论的核心问题是”人应该站在哪里”。

他的同事 Kief Morris 提出了三种定位模型：

Outside the Loop——人只管”为什么要做”，AI 负责”怎么做”。这就是所谓的 Vibe Coding 。快是快，但非功能质量（性能、安全、合规）谁来管？

In the Loop——人深度参与每一行代码的检查。问题是：AI 生成代码的速度远超人类审查的速度。如果每行都要人看，那用 AI 的意义在哪？

On the Loop——人不检查产出，而是设计”生产产出的系统”。写好规范、搭好测试、设好质量门禁，让 AI 在这个框架里跑。

第三种是他们推荐的。

你想想，这跟 AI 圈说的 Harness Engineering 其实是同一件事——只是 Fowler 是从”人的角色”出发来讲的，而 AI 公司是从”模型的能力”出发来讲的。同一件事，两个完全不同的入口。

不是”要不要审查”，而是”这个场景风险有多高”

Fowler 团队对 Vibe Coding 的态度让我意外——他们没有一棍子打死。

他们提出了一个三维风险评估框架：

Probability——AI 在这个场景下出错的概率有多大？

Impact——如果错了，后果有多严重？

Detectability——问题能不能在到达用户之前被发现？

低概率、低影响、高可检测性——比如写个内部脚本跑一次就扔——那确实可以 vibe coding 。

高概率、高影响、低可检测性——比如改支付逻辑——那必须严格审查。

大多数场景介于两者之间，需要根据三个维度的组合做判断。

这个框架把”要不要审查 AI 代码”从一个非黑即白的立场问题，变成了一个可以量化的风险决策。我觉得这比”永远审查”和”永远信任”都实用得多。

最值钱的一句警告

ThoughtWorks 的杰出工程师 Birgitta Böckeler 写了一篇关于 Context Engineering 的文章。她的定义出人意料地简单：“策展模型看到的内容，以获得更好的结果。”

但她文章里最重要的不是这个定义，而是一句警告：不要产生”控制的幻觉”。

她说，当我们在 prompt 里写”确保做到 X”的时候，我们用的语言暗示了确定性——”确保”这个词本身就预设了结果可控。但 LLM 是概率性的。即使上下文工程做得再好，也不能消除幻觉或保证结果。

这和 AI 公司的写法形成了鲜明对比。 Anthropic 的博客说”以下是有效的上下文工程实践”，OpenAI 的指南说”按这些步骤构建你的 Agent”。语气都是确定的。

Fowler 团队说：“我们还在学。这是我们观察到的。可能不对。”

哪种态度更接近真实？

老原则不是过时了，是更重要了

读 Fowler 系列最大的收获不是某个具体技巧，而是一个反直觉的结论：传统软件工程的那些”老原则”——测试驱动开发、代码质量、系统知识、风险评估——在 AI 时代不但没有过时，反而变得更重要了。

为什么？因为 AI 的输出是概率性的、不可完全控制的。这恰恰意味着你更需要用确定性的工程手段来管理不确定性。

测试覆盖率是你的安全网——AI 写错了，测试能接住。代码质量是你的可读性保障——干净的代码库不但人能维护，Agent 也能更准确地理解和操作。系统知识是你的 AI 做不到的——你理解业务领域的方式，是 AI 识别不出”这里写得虽然能跑但逻辑是错的”的前提。

Fowler 原文有句话很直白：“这些评估问题中的许多都需要’传统’工程技能。”

AI 公司和老工程师，该听谁的

我的答案是：两个都听，但顺序不一样。

AI 公司的指南帮你上手——”按这个步骤做，大概率不会太离谱。”这是操作手册。

Fowler 的笔记帮你建判断力——”这里有一些我们观察到的现象，也有一些我们还没想清楚的问题。”这是田野笔记。

操作手册让你能干活，田野笔记让你知道什么时候该停下来想一想。

如果只读操作手册，你会很快上手但不知道边界在哪。如果只读田野笔记，你会想得很清楚但迟迟不动手。

先读操作手册开始做，遇到判断题的时候翻田野笔记。

在一个所有人都在卖确定性的行业里，承认”我们还没想清楚”需要的不是技术能力，是知识诚实。而知识诚实，可能是这个 AI 狂潮里最稀缺的东西。

专业劈叉式跨界选手：🧬 医学出身，🎭 文化口饭碗，🤖 AI 是我的野路子。不卷参数，不追新模型，只关心一个问题：AI 啥时候能装进我脑子，替我不开心？欢迎围观我和 AI 相爱相杀的日常。——AI不会取代你，但会用AI的人会。所以我先学了，你随意。🔧踩坑副产品已开源 → recallnest，telegram-ai-bridge，claude-code-studio，agent-nexus，cc-cabin，content-alchemy，openclaw-tunnel，content-publisher，digital-clone-skill，telegram-cli-bridge参与组织 → CortexReach（memory-lancedb-pro 贡献者，setup-memory.sh 一键脚本作者）本文由 Content Alchemy 自动生成，由 Claude Code 发布。