理解债务：为什么干净的 AI 代码比糟糕的代码更危险

TL;DR:AI 输出中最可怕的不是有缺陷的代码，而是干净、正确、经过充分测试的代码，但解决了错误的问题。我称之为理解债务——AI 产生的内容与您实际理解之间的差距。传统的技术债务是显而易见的：混乱的代码、失败的测试、明显的气味。理解债务是隐形的：优雅的架构、通过的测试，以及一个在最终爆炸时没有人能调试的系统。在与 Fable 和 GPT-5.6 进行大量开发后，我已经形成了一种新的工作流程：目标 → 规格 → 架构图 → 代理执行。规格是新的源代码。工程师的价值不再体现在打字上，而在于清晰思考以知道什么应该被构建。

这里是詹姆斯，水星科技解决方案的首席执行官。 来自我在东京的办公室 — 2026年7月

我在过去一周里与两个前沿模型进行了密集开发：Fable 和 GPT-5.6。不是随意的提示，而是深入的、多小时的会议，构建真实系统，调试真实边缘案例，发布真实功能。

结论是什么？这并不是关于哪个模型“更好”。两个模型都非常出色。两个模型都令人恐惧。而且两个模型都揭示了我直到本周才完全理解的事情：AI错误的本质已经发生了根本性的变化。

旧错误与新错误

在GPT-3.5和早期GPT-4时代，AI错误是显而易见的。代码混乱。逻辑有缺陷。测试失败。你会阅读输出，并在几秒钟内知道有什么问题。AI生成了意大利面，而你是那个能看到纠结的人。

你的角色很简单：判断输出，拒绝垃圾，要求重写。人类作为仲裁者。人类作为质量把关者。AI生成；你进行策划。

那个时代已经结束。

随着Fable和GPT-5.6，代码是干净。逻辑是合理的。测试通过。文档齐全。架构遵循了你期望的高级工程师的模式。一切看起来……正确。

但这是错误的。从根本上说，方向上是错误的。系统确实做了所要求的，但所要求的并没有解决实际问题。AI没有误解语法。它没有幻觉出一个API。它完美地遵循了你的指示——而你的指示与现实微妙而灾难性地不一致。

旧错误是粗俗的。新错误是优雅的。旧错误是可见的。新错误是不可见的。旧错误是bug。新错误是设计。

这就是我所称之为理解债务。

技术债务与理解债务

技术债务是一个熟悉的概念。你编写快速、肮脏的代码以快速交付。代码有效，但难以维护。总有一天，你会重构。每个人都知道尸体埋在哪里，因为代码有异味。

理解债务是不同的。代码没有异味。它有气味很好。它已经经过了清理、格式化和文档化。但这里有一个关键的区别：没有人知道为什么它是这样设计的。

不是写它的人工智能——人工智能在提示上下文之外没有意图的记忆。不是委托它的人——因为这个人没有写它，而“我描述了我想要的”和“我理解所构建的内容”之间的差距正在逐小时扩大。不是六个月后加入项目的工程师——因为没有推理的痕迹，没有决策的提交历史，没有显示为什么选择这种架构而不是其他选择的演变路径。

当它崩溃时——它会崩溃，因为所有系统都会崩溃——没有人知道从哪里开始。代码是干净的，所以没有明显的感染点。逻辑是合理的，所以没有明显的谬误。问题更深：设计本身在生成时对一个未完全理解的上下文来说是微妙错误的。

而这里是残酷的部分：AI 的生产速度现在远远超过人类的理解速度。这个差距不是静态的。它每天都在扩大。你让 AI 构建的越多，你对自己拥有的东西理解得就越少。理解得越少，你的系统就变得越脆弱。变得越脆弱，你就越需要 AI 来修复它——加速债务螺旋。

这是我上个月在 INCOSE 提出的 V 模型转变。传统的 V 模型假设理解是实施的副产品。你设计、编码、测试，通过这个过程，你学习系统。代码是工件，但理解是副作用。

AI 打破了这个假设。当 AI 编写代码时，理解不再是副作用。它必须是一个明确的输入。如果你在 AI 构建之前没有故意构建你的理解，那么在之后你就无法理解。代码存在而没有理解。这就是理解债务。

新工作流程：目标 → 规格 → 架构 → 执行

你如何应对这个问题？经过与 Fable 和 GPT-5.6 的数十次迭代，我已经形成了一个四阶段的工作流程。跳过任何阶段，理解债务就会累积。

阶段 1：定义目标

你在解决什么问题？成功标准更重要的是：什么绝对不能打破？有哪些不变的东西、约束条件和不可妥协的事项？

大多数 AI 提示都跳过这一点。它们直接跳到“给我构建一个功能”。但没有目标，AI 就没有北极星。它会在局部正确性上进行优化，同时偏离全局意图。你要求的是一匹更快的马；它却造出了一匹美丽的马。你需要的是一辆车。

第二阶段：编写规范

这是最重要的阶段。规范不是一个愿望清单。它是一个合同。它定义了系统的功能、系统不做的事情、完成的标准以及边界。

我现在将规范视为新的源代码。不是比喻。字面意思。规范是首先进入版本控制的工件。规范是被审查的内容。规范是团队讨论的内容。规范是人类和 AI 参考的单一真实来源。

没有规范，给 AI 代理指示就像说“向北走”。代理会尽可能快地向北跑。它跑得越远，就越偏离你的实际目的地——因为你从未给它一个地址，只给了一个方向。

规范就是地址。它是 GPS 坐标。它告诉 AI 不仅是要构建什么，还要构建的东西必须在什么上下文中运行。

阶段 3：架构图

在生成一行代码之前，我让 AI 根据规范生成架构图。不是模糊的草图，而是详细的组件图，显示数据流、接口、依赖关系和决策点。

为什么？因为 图表是验证方向对齐的最便宜的方法。

您可以在几分钟内查看一个图表。您可以在几秒钟内发现错误的抽象。您可以看到 AI 在生成实现误解的代码之前误解了两个领域之间的关系，避免浪费一个小时。图表是 AI 加速超越人类理解速度之前的最后一个人类检查点。

这是 V 的顶部。最宽的部分。人类理解必须在实施下降之前达到最大化的点。

阶段 4：代理执行

只有在目标明确、规格已写、架构已审查后，我才让 AI 代理执行。即便如此，我也会将执行结构化为有限的增量——足够小，以便我可以在下一个增量开始之前，将输出与规格进行审查。

这并不慢。它是可持续的。替代方案——让 AI 生成数千行干净、优雅、错误的代码——是造成理解债务的原因，这会让团队瘫痪数周。

工程师的新价值

这里是重要的重新框架：工程师的价值不再体现在编写优质代码上，而在于清晰思考，知道优质代码应该做什么。

人工智能可以编写代码。它可以比95%的工程师更快、更好地编写代码。但人工智能无法决定哪些代码应该存在。它无法把握业务背景。它无法权衡训练数据中没有的权衡。它无法问“我们应该构建这个吗？”——因为这个问题假设了一个超出代码库的战略理解水平。

在旧世界中，编码技能是瓶颈。能够编写优雅、高效代码的工程师是稀缺资源。在新世界中，思维的清晰度是瓶颈。能够清晰定义目标、准确编写规格和批判性审查架构图的工程师是稀缺资源。其他一切都可以外包。

这是我在INCOSE讨论的V模型转变。V的左侧——需求、规格、架构——已成为关键路径。右侧——实施、集成、测试——正日益自动化。重心已从“我们如何构建它？”转向“我们如何知道构建什么？”

而“知道构建什么”并不是一种技术技能。这是一种综合技能。它需要领域知识、商业背景、战略判断，以及以AI能够忠实执行的方式传达约束的能力。

速度的不对称性

需要内化的最终危险：AI以机器速度产生结果。人类以人类速度理解。这两种速度正在分化。

每天，前沿模型变得更快、更强大。每天，单个工程师可以委托的输出量在增加。但人类的理解能力并不随之扩展。阅读代码、理解架构、追踪数据流——这些都是认知成本高昂的任务，不受摩尔定律的影响。

结果是一个不对称性：AI可以在一个小时内生成一个系统，而人类需要一周才能完全理解它。当人类理解它时，AI已经生成了三个更多的迭代。人类总是落后。人类总是处于债务之中。

管理这种不对称的唯一方法是提前理解。在过程的开头投入人力时间——目标、规格、架构——以便AI的执行受到人类理解的限制。事后你无法追赶AI。你必须在事前约束AI。开始过程——目标、规格、架构——以便AI的执行受到人类理解的限制。事后你无法追赶AI。你必须在事前约束AI。

规格就是约束。规格就是理解。规格就是新的源代码。

底线

我从与Fable和GPT-5.6的一周中得出了一个坚定的信念：AI驱动开发的瓶颈不再是AI。瓶颈是人类指定、审查和理解的能力。危险不再是AI会写出糟糕的代码。危险在于AI会为错误的问题写出优秀的代码——而且没有人会知道，直到为时已晚。

理解债务是新的技术债务。它更难以检测，更难以衡量，也更难以偿还。而且它在你所要求的和你实际需要的之间悄然积累。

解决方案不是减少使用人工智能，而是在使用人工智能之前多思考。编写规范。绘制图表。明确目标。接受在人工智能生成代码的时代，工程师的技艺不是打字——而是清晰。

水星科技解决方案：加速数字化。

发布者 水星科技解决方案 | mtsoln.com | 系统性增长架构