这不是一篇理论文档,而是总结了我通过10天重构 Vibe Coding 产物的实践反思。📌核心观点
当前大模型的输出,本质是在已有语料和上下文约束下的 概率最优产物 。它擅长生成「看起来像正确答案」的内容,但并不保证这些输出对你的业务目标、架构边界或长期可维护性是最优的。 📚 内容导览
-
AI 给我们的答案,本质是概率的产物
-
1.1 为什么这么说
-
1.2 不加约束的 Vibe Coding,在复杂系统里会怎样
-
1.3 结论:没有约束,AI 只是「高性能技术债放大器」
-
More Context, Less Control 让「上下文」成为工程底座
-
2.1 DDD:构建高质量的代码上下文
-
2.2 SDD:构建需求上下文
-
2.3 TDD:把约束落到可执行层
-
从Vibe Coding到Harness Engineering的可落地演进路径
-
3.1 Harness Engineering 的关键启示
-
3.2 结合会员系统的重构路线图
-
3.3 不是替代工程,而是重建工程
-
「Attention is all you need」AI 时代,人类的注意力才是稀缺资源
-
4.1 为什么注意力比编码更稀缺
-
4.2 人类应该把注意力放在哪里
-
4.3 核心竞争力
01AI 给我们的答案,本质是概率的产物
1.1 为什么这么说目前核心主流大模型的输出,是在已有语料和上下文约束下,概率上最优的延续。它生成的答案「看起来正确」,但 AI 无法保证:
-
是否最符合你的业务目标;
-
是否最贴合你的架构边界;
-
是否最有利于长期可维护性。
这也是 Vibe Coding 的主要风险:在没有约束的情况下,初期速度很快,但后期质量会极速下滑。⚠️Vibe Coding 的具体风险
-
静默删测(The Vanishing Tests):测试用例被悄悄删除。
-
结构畸形(Eldritch Horror):出现巨型函数或畸形的代码结构。
-
表面全绿(Cardboard Muffins):测试通过,但内部逻辑空洞。
这些现象的共同点是: 输出的可用性被高估,而工程的真实性被低估。1.2 不加约束的 Vibe Coding,在复杂系统里会怎样结合会员系统的业务特征(会员、商品、订单、配额等多个上下文耦合),无约束的 Vibe Coding 通常会带来四类问题:
-
业务逻辑散落 会员权益规则分散在 Controller、SQL、Lua脚本,甚至其他系统和前端兜底逻辑里。危害:需求变更时,找不到「唯一的真相来源」。
-
事务边界失真 扣减配额、下单支付、补偿逻辑跨层混合编写。危害:一致性问题在生产环境频发。
-
读写职责混乱 为了求快,把查询和指令混在同一个流程里,临时 join、临时 patch 随处可见。危害:修改一个查询,意外影响一个甚至多个业务逻辑。
-
架构渐进腐化
领域模型依赖框架,基础设施反过来驱动领域模型。 危害:每次「加速」都在透支未来的可维护性。1.3 结论:没有约束,AI 只是「高性能技术债放大器」如果把「提示词技巧」当作 AI 时代的核心能力,团队很快会产生一种错觉:
-
局部速度更快了;
-
全局演进却更慢了。
我们不是要否定 Vibe Coding,而是必须认识到
Vibe Coding 必须有结构化的约束。否则,它提供的只是平庸最优解的批量生产能力,以及指数级积累的技术债务。
02More Context, Less Control
在 AI 时代,高质量结果,光靠更强的控制是不现实的,应该靠更高质量的上下文来降低控制成本,让「上下文」成为工程底座。2.1 DDD:构建高质量的代码上下文在会员系统重构实践里,DDD 不是口号,而是把「业务决策」落地为「代码结构」的机制:
-
限界上下文:会员、商品、订单、配额、用户模型各自收敛自己的领域。
-
分层边界:adapt…