AI时代：三段论的重心迁移

十多年前我在美国受Google邀请参加一个软件工程会议，Google的PPT第一页画了一幅图：别人眼中的Google是飞机大炮火箭，而Googler眼中的Google，却是老牛拉车，步履蹒跚。为什么？因为Googler看透了软件研发的本质，软件研发的本质属于“手工业”。虽然个人英雄主义的石器时代已经结束，但群体协作时代本质上依然没有摆脱手工业的基本属性。

软件规模的增长必然伴随着复杂度更快的增长，就像身高增长一倍，体重可能增长五倍。更根本的是，软件是生长出来的，而不是设计出来的，背后的原因是因为软件的设计活动与制造活动彼此交融，无法分开。

面对这种复杂度，我当时提出了一个三层治理框架：救命（应急处置）—治病（架构治理）—养生（日常预防）。这套框架的威力，恰恰在于它足够抽象，抽象到能够容纳一个它诞生时并不存在的变量：AI。

如今，当代码生产的速率从人的速率跃迁到模型的速率，三段论的结论并没有失效，但它的重心发生了系统性的迁移。迁移的根本原因只有一个：治理的对象变了。过去三段论治理的是写代码的人，AI时代它必须同时治理生成代码的模型，以及这两者耦合而成的人机协同体。治理对象变了，每一个层次的内涵都要重写。

救命：可解释性真空与新的故障类型

应急处置是一切治理的底线，而它依赖一个从来不被言明的前提：代码的作者在场。

一个P0事故爆发时，你可以找到写下这段代码的人，问他当时为什么要这么写，据此重建意图、缩小怀疑范围；你可以翻出设计文档和ADR，找到当初埋下的取舍；更朴素地，代码的坏味道本身就是一张地图，它把可疑代码主动标记出来，替你完成最艰难的第一步定位。

AI时代，这三个前提同时失效了。那个按下Tab键接受补全的人，并不持有生成代码的心智模型；那段生成的代码背后没有设计意图，只有一串被最大化的token概率；而它的格式工整、命名规范、注释齐全，恰好把坏味道这张最古老的地图涂成了统一的灰色。结果是应急处置最昂贵的定位环节被显著拉长：从前你花十分钟就能圈定可疑模块，现在你可能要花几小时，因为没有任何一个人类真正理解这段代码。我把这称作故障的可解释性真空，不是没人愿意解释，而是解释这个故障所需要的心智模型，在代码诞生那一刻就没有存在过。

可解释性真空之外，AI还带来了一个全新的故障类型：Coding Agent的配置漂移。过去的故障几乎都源于代码变了，通常是某个代码提交引入了一个bug。而AI时代，故障可以源于“约束代码生成的东西变了”，提示词模板被顺手改了一句、上下文库被喂进了错误的知识、某个模型版本静默升级后生成风格发生了偏移。这类故障的诡异之处在于：让代码被生成出来的那套配置成为了关键。于是“回滚”的对象第一次从“代码”扩展到了“模型版本、提示词版本、上下文快照”等。

但这枚硬币有另一面。AI制造了更多的火灾，同时也提供了更强的灭火器：它读日志的速度远超人类，能在分钟级关联多个服务的异常；它能并行生成根因假设清单；它能辅助判断该回滚到哪一个版本。一个清醒的结论是：AI让救命这件事变得更快，却没有让救命这件事变得多余。恰恰相反，可解释性真空让每一次救命都更依赖那些“确定性裁判”，比如各类测试和质量门禁，也就是在事故发生前留下的、可被自动验证的痕迹。没有这些痕迹，AI的灭火器面对一段无人理解的代码，也只是高级的猜测。

治病：最强的理解工具，也是最危险的理解工具

治病最昂贵的成本，从来不是写新代码，而是理解旧代码，理解一段十年陈的、被反复补丁的代码到底在做什么。这个成本高到让无数架构治理项目死在第一步。

AI时代，这个成本第一次出现了断崖式的下降：它能“读懂”一段没有文档的遗留模块并给出结构化解释；它能反向抽取限界上下文，从混乱的代码里“看”出自然的边界；它还能安全地执行大规模机械重构，比如重命名、抽取、死代码清理，这些确定性的、可被自动验证的重构，AI做得又快又稳。

但这里藏着一个极易被忽视的陷阱：AI的“理解”是统计性的，不是因果性的。它“读懂”一段代码的方式，是预测最可能被用来解释这段代码的下一个token，而不是追溯这段代码为什么被写成这样。这两者在绝大多数时候不可区分，直到它们突然可区分的那一刻：当它面对一段确实有bug的遗留代码，它可能给出一个听起来完全合理、却从根本上错误的解释，而且是以极高的置信度给出的。你无法从语气里分辨它在“解释”还是在“编造”。

因此，AI时代的“治病”必须建立一个新的分工原则：让AI做“可验证的理解”，让人做“不可验证的判断”。抽边界、清死代码、生成文档草稿，这些产出的对错可以被确定性裁判并立即验证，那就可以放心交给AI；而“这个业务规则为什么要这么写”、“这个重构是否改变了运行时语义”、“这个异常的兼容逻辑是不是某个已经离职的人留下的补丁”，这些判断没有可被自动验证的答案，必须留在人的手里。

这个分工原则，本质上是把“确定性裁判”的逻辑移植到治病环节：AI的每一次“理解”，都必须能通过一个确定性的裁判来证伪，否则它就只是穿着解释外衣的猜测。

养生：治理对象从“人的习惯”扩展到“模型的约束”

这是AI时代三段论最根本的变化，也是整个框架重心迁移的落点。

过去，养生治理的对象是人。它对抗的是人的三种天性：遗忘、懒惰、侥幸，人会忘记写测试，会懒得做代码审查，会心存侥幸地跳过安全检查。养生的全部努力，就是设计一套让正确的事“自然发生”的机制，去抵消这三种天性。

AI时代，代码生产的主体除了人，还有模型。而模型呈现出一种令人不安的对称性：它不遗忘、不懒惰、不侥幸，却也不理解、不负责、不判断。它不会忘记写测试，因为它根本不知道“测试”是什么；它不会偷懒，但也没有任何一行代码是“它的责任”；它不会侥幸跳过安全检查，但它也不知道“安全检查”在保护什么。人因为“知道却做不到”而需要被治理，模型因为“能做到却不知道”而需要被治理。养生的对象，就这样从单数变成了复数。

这个迁移落到实践上，就是养生工作出现了一个全新的、独立的预算项：驾驭系统的维护。维护约束AI的规则（提示词模板、代码规范、上下文库），维护验证AI的裁判（测试套件、类型系统、静态分析、CI质量门），维护喂养AI的知识（架构模型、领域语言、设计决策）。而这一批“养生对象”有一个共同的特征：它们本身也是会腐化的代码。自然语言规则会迅速腐化，规则越多，相互矛盾的概率越大。于是AI时代的养生暴露出一个递归的难题：你用来约束AI的东西，本身也需要被约束、被治理、被养生。养生的结构从扁平的“人→代码”，变成了多层的“人→规则→AI→代码”，每一层都在腐化，每一层都需要独立的养生机制。

这个递归结构引出一个全新的健康度指标，我把它称为驾驭债：如果说技术债是“代码欠下的债”，驾驭债就是“约束AI的那套规则欠下的债”。提示词模板里那句早已过时却无人清理的规则、上下文库里那条与最新架构冲突却仍在喂养AI的知识、那个只对旧模型版本有效却仍挂在CI上的检查，这些都是驾驭债。一个组织在AI时代的养生水平，可以用一个简单的问题来判断：它的驾驭债，是在被主动偿还，还是在被无意识地累积？

最后，回到精力分配。AI时代，那个“80%养生、15%治病、5%救命”的比例需要一个修正：养生的份额不是80%，而应当更高。原因不在于治病和救命变难了，恰恰在于它们变便宜了，因为AI诊断、AI辅助重构、AI应急分析把治病和救命的一部分工作自动化了。这制造了一个危险的剪刀差：AI让治病和救命更便宜，同时让养生更贵，因为驾驭系统本身需要持续的维护投入。便宜的治病和救命，会鼓励你更敢于欠债；更贵的养生，会诱惑你更不愿意投资。两头一夹，养生就成了最容易被砍掉的预算项，而它恰恰是AI时代唯一能阻止复杂度失控的那一层。

AI时代复杂度治理的失守，几乎从不发生在救火现场，也不发生在重构过程，而发生在那个“暂停养生”的决定里。

人文反思：可持续不仅是一种选择，它是唯一存活下来的方式

“救命—治病—养生”这套框架不只是在说软件。它在说一切处于长期演进中的复杂系统。人体的慢性病管理，地球的生态系统压力，一个文明面对不可逆资源损耗时的选择。

所有这些系统的统治者都面对同一组诱惑：在危机的即时压力下，优先救火，把全身力气压在延长当前生存时间上。至于是不是在每一次救火中把小病拖成大病、把可以被治愈的问题拖成不可逆的内伤，这些无法在眼前被量化的代价，系统性地被拖延到“下一次”。而下一次来的时候，代价是以当前全部剩余资源的指数级规模计价的。

技术债务治理三段论框架在软件领域之所以有如此强的解释力，是因为它第一次给所有面对复杂系统的人提供了一种诚实面对“我们无时无刻不在欠债”的方式，不是在说“别欠债”，而是在说“欠了的，按时还”。

给工程师：识别你当前所处的三段论层级。如果你发现你的日常80%是在救火，恭喜你，你的职业倦怠感将会在可预见的几个月内达到一个高峰。你的脱困路径不在此刻的简历上，在于你花两个小时，把今年最让你痛苦的一次救火经历写成一份带根因分析的复盘，把这份分析中的每一条行动项找人评审，把它推入下一个sprint的计划，并且找到一个愿意保护“做正确的事所需时间”的管理者做你的同盟。这是个人从救火到养生的路径。

给管理者：你的团队日常中“重构”被提及的频率是一个实时诊断指标。频率太高，治病不足。频率接近于零，要么你的系统完美（一般不太可能），要么养生已经缺席。理想状态是：重构融入了日常，不被单独命名、不被单独统计，就像你不会在日报中写“今天呼吸了”。而你作为管理者，维系这种状态不受业务高峰期的“暂停养生”冲动冲击，就是你所有职能中最有价值的一项。

AI帮我们拔高了能力上限，却在规模、效率、质量三个维度上同时制造了新的挑战。当84%的开发者正在使用或计划使用AI编码工具，当95%的生成式AI试点未能进入生产，我们需要的不是更快地写代码，而是更清醒地治理复杂度。救命、治病、养生，在AI时代不是过时的旧框架，而是唯一经得起检验的新答案。