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