夜雨聆风最近有个问题我听到过不止一次：
"AI 工具我们接了不少，但感觉越用越乱，到底哪里出了问题？"
问这个问题的人，往往已经认真试过了。
用过 Cursor、接过 Copilot、搭过 Claude 的 API、跑通过几个自动化 workflow。
不是没投入，也不是不认真。
但系统就是没变有序。
我后来想清楚了一件事：这不是工具问题。
AI 不是均衡器，它是放大器。你的系统有边界，它就放大有序；你的系统没边界，它就放大混乱。
第一反应往往是找工具的问题
大多数人的诊断路径是这样的：
是不是工具选错了？换一个试试。
是不是 workflow 没设计好？重新梳理一遍。
是不是模型还不够强？等下一个版本。
这条路走下去，你会发现一件事：工具换了，依然乱。新 workflow 跑了一段时间，又乱了。
因为工具不是问题所在。
真正的原因：AI 放大了你已有的结构
最近看到 Keras 作者 Fchollet 的一个观察：
AI 放大能动性差距——低能动性的使用者越用越失去掌控，高能动性的使用者越用越强。
我觉得这句话换一个角度说，对工程场景更准确：
AI 不是均衡器，它是放大器。你的系统有结构，它就放大结构；你的系统没有边界，它就放大混乱。
这不是能力高低的问题，而是系统本身有没有建立清楚。
AI 工具本质上是一种执行能力。你告诉它做什么，它去做。
问题是：如果你的系统本身就没有边界，AI 只会把这种模糊更快地放大出来。
原来一个人花两小时理不清的事情，现在用 AI 花二十分钟，输出了五倍体量的内容，但还是理不清。
速度变快了，混乱变大了。
边界缺失在工程里的三个症状
我总结了一下，边界模糊通常会以三种方式出现在工程系统里：
第一，输入没有边界。
我在搭线上编辑器的根因分析 Agent 时，第一版的方案是：把 project 的全量日志、错误堆栈、代码上下文全部打包进 prompt，让 LLM 来找问题。
LLM 给了很多分析，看起来有模有样。但工程师拿到这份分析之后，面临的问题是：不知道哪几条可信，哪几条是噪音。因为输入是什么、输入的边界在哪里，连我自己都不够清楚。
这就是输入没有边界的典型状态：AI 永远在给你答案，但你永远在怀疑这个答案。
后来我花了更多时间在这一步：先定好信号提取规则，把可疑操作、错误堆栈、版本 diff 结构化处理，再打包成清晰的 case report。输入边界清楚了，LLM 的输出才开始稳定下来。
（这个系统的完整设计和踩坑过程，在上一篇《我做了一个线上 bug 根因分析 Agent，最大的坑不在模型，在这 3 个节点》里有详细拆解。）
我做了一个线上 bug 根因分析 Agent，最大的坑不在模型，在这 3 个节点
第二，执行没有边界。
另一个更隐蔽的问题：AI 该做判断的地方在做执行，该做执行的地方在做判断。
同样是这个 Agent，中间有一段时间，我让它既负责判断哪些信号可疑，又负责决定最终输出什么结论。判断层和执行层混在一起，结果是出了问题根本定位不了——是判断错了，还是执行错了？
这两者的边界没分清，调试成本远高于重写一遍。
第三，输出没有边界。
AI 输出的结果没有明确的验收标准。
"大概是这个意思"、"感觉差不多"——这类验收在人工流程里勉强能用，在 AI 自动化流程里会很快把误差放大。没有明确格式、没有拒绝条件，每次输出都要人工重新判断，工具链的可靠性就没有办法建立在这上面。
这三个地方只要有一个没建立清楚，工具链就会持续产出混乱。
建立边界，从"先定哪些不做"开始
很多人的思路是：先接进去，再慢慢收拢。
这个顺序往往行不通。
因为 AI 工具一旦开始产出，你就会面临海量输出，你的注意力和判断力都会开始被消耗，边界就更难建立。
更稳的起点是反过来：
先确定这个 AI 工具不做什么，再决定让它做什么。
具体来说：
• 哪些判断必须由人来做，不能交给 AI？ • 哪些输入条件不满足，就直接不触发 AI？ • 哪些输出格式不对，直接拒绝不进下一步？
这三个问题想清楚，边界就有了起点。
这不是在限制 AI，而是在给 AI 一个能稳定执行的工位。
只有工位定了，它才能真正有效地干活。
工具链有没有序，前提是系统先有边界
我最后的判断很明确：
工具链混不混乱，和你用了多少工具、工具多不多强，关系不大。
真正决定工具链状态的，是你的工程系统有没有边界。
有边界，AI 工具就是在一个清晰结构里执行，它放大的是你的有序。
没有边界，AI 工具就是在一团模糊里加速，它放大的是你的混乱。
让工程系统具备 AI 能力，这件事本身没问题。
但前提是：这个系统得先具备边界。
下一步，我会继续拆如何在实际工程里一步步建立这三类边界——不是理论，而是从真实项目里提炼出来的具体做法。
如果这篇对你有用，点个 ❤️ 推荐给更多工程人。
关注「架构师的AI实验室」，持续记录 AI 进入工程系统的真实过程。
