Skip to content

不变的内功:抽象、不变量与可维护性 ​

WARNING

🧪 Beta公测版本提示:教程主体已完成,正在优化细节,欢迎大家提Issue反馈问题或建议。

前两章讲的是「变」。本章讲「不变」:为什么 AI 加速了代码生产,软件工程的古典原则反而更值钱。一句话版本:AI 是放大器——放大好设计,也放大坏设计;而判断好坏的能力,恰恰是 AI 替代不了的。


一、复杂度不会消失,只会转移 ​

Brooks 在《没有银弹》(1986)里把软件复杂度拆成两半:

  • 本质复杂度(essence):问题本身的复杂——保险理赔规则、并发一致性、飞机航电的状态机。只要问题在,这份复杂度就在。
  • 偶发复杂度(accident):工具带来的额外复杂——样板代码、胶水代码、环境配置、把数据在格式之间倒来倒去。

四十年来的所有工具进步——高级语言、框架、云服务、AI——消灭的都是偶发复杂度。Agent 也不例外:它把「写」的成本打到接近零,但需求里的模糊、领域里的特例、用户心里的真实期待,一样都没少。你让 Agent 「实现一个购物车」,它十秒给你五百行;真正难的那部分——满减和优惠券怎么叠加、并发下单库存怎么锁、退款走到哪一步——仍然需要有人想清楚,并且写进规格。

所以 Agent 时代的第一定律:瓶颈从实现转移到问题定义(上一章的规格驱动开发,正是这条定律的工程化)。与之配套的推论:复杂度守恒——它不会消失,只会从「代码行数」转移到「规格的精度」和「验证的深度」。

图解说明:本质复杂度(左侧)从未变化,变的是右边管道的形状——「实现」这一环塌缩成近零成本,压强全部转移到两端:入口的问题定义与出口的验证审查。


二、抽象与边界:为什么好抽象让 Agent 更强 ​

Parnas 在 1972 年就给出了模块化的正确理由:按「可能变化的方向」切分,而不是按流程步骤切分;每个模块隐藏自己的实现决策,只暴露稳定的接口(信息隐藏)。

这个原则在 Agent 时代获得了新的物理意义。回忆上一章:Agent 的上下文窗口是稀缺资源。一个接口清晰、边界干净的系统,Agent 只需读接口就能安全地改一个模块——上下文开销小,出错概率低。一个全局变量满天飞、模块互相渗透的系统,改任何一行都得理解半个仓库——上下文装不下,Agent 只能瞎猜。

抽象质量直接决定了 Agent 的上下文效率:

抽象的性质对人的意义对 Agent 的意义
接口稳定、实现隐藏可以并行开发、分而治之上下文装得下——只读接口即可动手
耦合度低改 A 不必懂 B循环里的「观察」信号干净,错误可定位
分层清晰心智负担小能把大任务拆成子任务分头发力
全局耦合没人敢动上下文装不下,生成质量随仓库大小衰减

好抽象因此有了双重回报:它既降低人的理解成本,又直接提高 Agent 的产能。换句话说,为 Agent 铺路最好的方式,仍然是把古典的软件设计做好。


三、不变量:机器可检查的「必须永远为真」 ​

程序变大后,我们真正依赖的不是每一行代码,而是不变量(invariant)——在任何执行路径上都为真的性质:「这个链表永远有序」「这个计数器永远非负」「这份缓存永远和数据库一致」。

类型、断言、契约、测试,本质上都是不变量的不同载体,区别只在检查时机:

图解说明:越靠左,检查越早、越便宜、定位越准;越靠右,覆盖越广、但代价越高。工程上的策略是尽量把不变量往左推——这正是「让错误在编译期暴露」这句老话的含义。

为什么这在 Agent 时代更重要?因为不变量是人和 Agent 之间最高效的通信协议。用自然语言告诉 Agent 「注意并发安全」,它可能领会,可能不会;用类型、lint 规则、断言把「并发安全」编码成机器可检查的约束,Agent 生成的代码一旦违反,反馈立即到达,循环自动修正。上一章「分级验收」的底层货币,就是这些不变量。

实践上值得投资的方向:

  • 类型标注从可选变成标配——类型是成本最低、检查最早的规格;
  • 关键路径写断言——把「不可能发生」变成「发生即崩溃并报告」,而不是静默出错;
  • 契约式思维——函数文档不只写「做什么」,还写「调用前必须满足什么(前置条件)、返回后保证什么(后置条件)」。这种文档 Agent 读得最懂。

四、可维护性:代码是写给人和 Agent 读的 ​

「代码是写给人读的,只是顺便能在机器上运行」——这句老话的前提正在扩展:读者从「人类同事」扩展为「人类同事 + Agent」。

由此重新评估几项传统实践的价值:

  1. 命名与结构的价值上升。 自解释的命名、一致的目录结构,对人是可读性,对 Agent 是检索与上下文效率(上一章的表格)。
  2. 「为什么」比「是什么」更稀缺。 代码本身回答「做什么」,但「为什么这么做、试过什么被否决了」只存在于人的脑子里。AI 能生成代码,不能替你回忆决策史。架构决策记录(ADR:每个重大决定一页纸——背景、选项、取舍)因此成为仓库里增值最快的文档。
  3. 文档的双重读者。 写 AGENTS.md、README 时,心里同时想着两名读者:一个是不熟悉项目的新人,一个是上下文有限的 Agent。两者需要的东西惊人地一致:结构、命令、约定、坑。
补充:技术债在 Agent 时代的复利(点击展开)

技术债是「当时图快欠下的理解成本」。在人工时代,债的利息是后人读代码的时间;在 Agent 时代,利息以另一种形式计价——混乱的仓库让生成质量下降、循环空转、人被迫逐段接管,等于债务直接折损了你的自动化杠杆。更麻烦的是反向循环:如果团队用 Agent 在坏结构上继续堆功能(生成太便宜了!),债务积累速度反而超过人工时代。破解方法没有新意:留出还债的节奏(重构也是可验收的 Agent 任务),守住模块边界,让「先改结构、再改功能」的成本保持低廉。


五、放大器效应:AI 同时放大好设计与坏设计 ​

把本章收拢成一张图:

图解说明:同一个 Agent,接在两个仓库上,产出天差地别——差距不在模型,在仓库。这就是「放大器」的含义:AI 不负责把烂摊子变好,它负责把你既有的工程水平按比例放大。想吃到 Agent 的红利,先把地基打好。

所以我对「AI 时代该学什么」的回答藏在标题里:不变的内功——把问题拆成本质与偶发复杂度的眼力、划抽象边界的判断、把约束翻译成不变量(类型、测试、断言)的手艺、为未来的读者(人和 Agent)记录决策的习惯。这些能力在生成成本趋零的世界里,恰恰是稀缺品。

读完本章,软件工程线告一段落。带着「变与不变」的问题,进入系统线第一站 训练与推理系统;或者直达我的观点:我看未来的软件工程。

参考 ​

  1. Brooks, F. P. (1986). No Silver Bullet: Essence and Accidents of Software Engineering. Information Processing '86.
  2. Parnas, D. L. (1972). On the Criteria To Be Used in Decomposing Systems into Modules. CACM 15(12).
  3. Lehman, M. M. (1980). Programs, Life Cycles, and Laws of Software Evolution. Proceedings of the IEEE.
  4. Meyer, B. (1992). Applying “Design by Contract”. IEEE Computer.
  5. Nygard, M. (2011). Documenting Architecture Decisions. 个人博客(ADR 的起源).