夜雨聆风
代码库越烂,AI越蠢:大模型时代的软件工程生存法则
“当你把整个代码库塞进AI的上下文窗口时，你不是在喂养它，而是在毒害它。”——Matt Pocock ， TypeScript教父级人物
信息时代的大爆炸，让我们一下子看透了一个残酷真相：
AI编程工具的普及，并没有让软件工程变得更简单，反而放大了我们过去二十年积累的技术债与认知惰性。
当 ursor、Claude Code等工具承诺“只需写好需求文档，AI就能自动生成完美应用”时，一场危险的幻觉正在蔓延——
仿佛技艺已死，洞见无用，只需坐等机器代劳。
但现实狠狠打了脸。
在AI Engineer大会上的一场闭门Workshop中，Matt Pocock用两小时硬核实战刺破了这层泡沫。
他不仅现场从零构建复杂业务功能，更抛出一个颠覆性判断：
那些被我们遗忘的经典软件工程基本功——
测试驱动开发、垂直切片、深模块设计——
恰恰是驾驭AI的终极武器。
这不是怀旧，而是生存法则。
因为在这个AI革命的时代，代码库的质量，直接决定了AI的智商上限。
烂代码库养不出好Agent ；
混乱架构只会催生更多混乱。
在信息主宰一切的新范式下，必须重构高杠杆的软件工程方法论——
不是放弃控制，而是以更高维度的设计共识、反馈机制与模块封装，引导AI成为可进化的生产力引擎。
一、LLM的生理极限：聪明区与失忆症
要驾驭AI，先得理解它的“病灶”。
大语言模型并非全知全能的神谕，而是一个受制于注意力机制的有限理性体。
正如Human Layer创始人Dex Hy所比喻：
每次给LLM增加一个Token，就像给足球联赛新增一支球队——
比赛场次呈二次方增长，注意力在海量信息间不断牵扯，最终导致系统性降智。
“大约在10万个Token左右，它就开始变蠢了……你不断往上下文里塞东西，它就越来越蠢，直到做出愚蠢的决策。”
这句话如手术刀般精准切开了“超长上下文万能论”的幻象。
许多开发者误以为100万甚至200万Token的Context Window能让他们把整个代码库+对话历史一股脑扔给AI。
但事实是：
超长上下文适用于信息检索（如从《战争与和平》找人名），却不适用于需要严密逻辑推理的编程任务。
更致命的是，LLM是个“失忆症患者”。随着对话历史（Sediment）堆积，其注意力被严重稀释，陷入“降智区”。
此时，无论模型参数多大，输出的代码都可能逻辑断裂、重复造轮子，甚至自相矛盾。
应对之道？
清空上下文，只保留核心System Prompt，让AI永远在“聪明区”从头开始。
这并非技术妥协，而是对软件工程古老智慧的回归：
不要一口吃成胖子，把任务拆小。
在一人企业的实践中，这意味着：
每一次交互必须聚焦单一目标，避免上下文污染。
高杠杆内容的本质，从来不是信息量的堆砌，而是认知带宽的精准分配。
二、设计共识：用“Grill Me”取代静态文档
当前流行的“Specs to Code”运动（又称Vibe Coding）主张：
人类只改需求文档，AI负责生成代码；
若代码跑不通，不去看代码，而是回头改文档。
Matt直言：“这简直糟糕透顶。”
“你需要掌控代码，理解里面的内容，塑造它——因为代码才是你的主战场。”
彻底放弃对代码逻辑的理解，等于交出系统架构的控制权。
文档永远无法覆盖所有边界条件。
一旦生成代码成为黑盒，Bug出现时，你将束手无策。
真正的高杠杆路径，不是单向输出文档，而是双向对齐设计共识。
Matt提出了一个极具攻击性的Prompt技巧——
Grill Me （拷问我）：
接下来一小时，AI会连续抛出几十个尖锐问题：
“积分是否追溯发放？”
“用户跳过视频能否拿分？”
“数据表存在哪里？”
—— 这本质是利用AI的世界知识穷举边缘情况。
这个过程的目的，不是产出一份静态文档，而是在人类与AI之间建立《设计的设计》中所说的‘设计共识’。
只有脑暴对齐后，再让AI总结PRD，才是有效规划。
高杠杆内容的本质，不是文档本身，而是共识的建立过程。
一人企业若想穿越周期，必须掌握这种“做局”能力：
引导AI成为思考伙伴，而非执行奴隶。
三、构建反馈闭环，对抗AI的水平切片癖
拿到PRD后，如何拆解任务给AI？
这里藏着另一个致命陷阱。
AI是个无可救药的‘水平切片狂魔’。
“它喜欢一层一层写代码：先做完所有数据库，再做所有API，最后加前端。但这没有全链路的反馈循环。”
这意味着，在数小时开发中，你无法运行代码验证效果。
AI在“盲写”，一旦底层设计跑偏，后续全部崩塌。
解决方案？
强制垂直切片。
借鉴《程序员修炼之道》中的“曳光弹（Tracer Bullets）”概念：
第一个任务必须横跨所有层级——
极简数据库表 + 基础服务逻辑 + 可视化仪表盘粗糙版。
哪怕简陋，只要跑通一次，AI就获得了一发“发光的曳光弹”。
此后迭代，只需在此闭环上生长血肉。
反馈闭环的存在，让AI从猜测走向验证，从混沌走向有序。
这不仅是技术选择，更是认知升级：
在AI时代，延迟反馈 = 架构腐化。
知识资本家必须成为反馈机制的设计者，而非被动等待结果的消费者。
四、TDD与深模块，为AI构建可进化的土壤
AI能否自主编程，天花板不在模型，而在你的代码库。
“如果你的代码库是一团糟，你在里面运行的Agent产出的也只会是垃圾。”
这句话如探照灯般照亮了问题核心：
糟糕的代码库缺乏反馈接口，让AI失去判断对错的标准。
Matt极力推崇TDD（测试驱动开发）。
强制AI先写一个注定失败的测试用例，再写业务代码使其通过。
这不仅能防止AI “作弊”（为跑通测试而掩盖漏洞），更构建了自动化的质量守门人。
但仅有TDD不够。
代码库的拓扑结构同样关键。
AI极易写出“浅模块”——几十上百个零碎、高耦合的小文件。
这导致：
– 依赖树难以追踪；
– 测试边界模糊；
– 修改一处，处处崩溃。
正确做法是指引AI构建“深模块（ Deep Modules ）”——
将复杂逻辑封装于黑盒，对外仅暴露极简接口。
这样做的好处显而易见：
– 便于挂载大范围测试边界；
– 人类可“只管接口，不管实现”，将内部逻辑完全外包给AI；
– 在高速迭代中保住脑力与理智。
深模块不是技术选择，而是认知杠杆。
它让一人企业能在有限精力下，驾驭无限规模的AI产能。
五、工作流革命：白班规划 vs 夜班执行
当理念落地，Matt描绘了一幅未来工作流图景：
泾渭分明的日夜两班制。
高效背后，是角色的根本转变。
“我们需要准备好去做更多的代码审查……这不好玩，但大概就是事情发展的方向。”
程序员不再是键盘敲击者，而是流水线末端的质检员与品味守护者。
AI可以倾泻代码，但没有人类的“品味（Taste）”，产出的只是冰冷且难以维护的工业废料。
这正是“知识资本家”的核心价值：
在自动化洪流中，守住系统品位与架构完整性。
六、文档腐烂、前端困境与团队协作
面对真实世界的混乱，这套范式是否可行？
Q ：团队环境中需求频繁变更，如何应用线性工作流？
A ：前半段（概念→PRD）本质是“团队协作任务”。
Grill Me过程中遇阻，需暂停与领域专家讨论或造原型试探。
只有多方扯皮结束、确定“目的地”后，后半段AFK实现才可单人驱动。
Q ：功能实现后，PRD文档是否保留？
A ：坚决删除。
软件工程有“文档腐烂（Doc Rot）”现象——
几周后代码面目全非，过期PRD会误导AI。
实现即归档，或打“已关闭”标签。
Q ：AI写不好UI怎么办？
A ：前端强依赖人类视觉审查。
做法是：
让AI在废弃分支生成3个设计原型，人类肉眼选出最优，再将资产反哺回规划阶段。
这些细节揭示了一个深层逻辑：
AI不是替代人类，而是放大人类的决策质量。
烂决策 + AI = 更快的失败；
好决策 + AI = 超线性回报。
通往未来的钥匙，藏在过去
这场工作流拆解揭示了一个反直觉真理：
在AI时代，通往未来的钥匙，竟藏在过去。
当我们面临上下文爆炸、架构失控、测试失效等现代困境时，解药不在更大模型，而在《程序员修炼之道》《软件设计的哲学》这些经典著作中。
这些被前辈提纯的最佳实践，正是引导硅基生命不走向混乱的定海神针。
对于知识资本家而言，这不仅是技术指南，更是高杠杆生存法则：
不做Prompt催更者，而做AI代码引擎的超级架构师。
在一人企业的征途上，唯有将经典工程智慧与AI能力深度融合，才能在信息主宰的时代，真正实现“遥遥领先，穿越周期获得自由”。
✦ 精选内容 ✦
我们比谁都更需要Palantir的技术实践，但不是因为马杜罗
