AI 迫使你坚守最初的判断

AI Forces You to Commit to Your Initial Belief — idiallo.com · 3 小时前 · 💡 观点 / 杂谈

在 AI 辅助编码的语境里，人类写代码时那种「写到一半突然改主意」的常态，与模型按初始提示一次性展开结果的工作方式发生了直接冲突。老黑客电影里的黑客能以 180 WPM 狂敲键盘，从不按退格键，也从不改变主意，仿佛在开始前就知道屏幕上最后一个字符是什么；现实中的编程恰好相反，想法常在句子中途变化，代码往往从一个自以为聪明的重构、整体设计或抽象方案开始，写着写着才发现命名、边界、数据结构、依赖关系或性能约束并不成立，于是频繁回退、改写和重排。AI 工具把这种中途变更的成本放大了：模型根据初始提示生成一大块代码，若核心假设在生成过程中被推翻，开发者通常不能像人类同事那样只靠一句「等等，换个方向」就无缝调整，而需要重写提示、补充上下文、丢弃已生成结果，甚至重新建立对问题的理解。于是 AI 不只是加速写代码，它还把决策前置，迫使开发者更早明确目标、约束、接口、数据形态和成功标准。作者的核心观点可以概括为：与 AI 协作时，必须把模糊直觉整理成可执行的初始判断，再通过小步验证、测试和版本控制来修正，而不是指望模型在生成过程中自动理解你不断变化的想法；AI 迫使你承诺，但承诺不等于盲从，而是把改主意的成本显性化，让迭代发生在更合适的位置。这种冲突在大型重构、跨文件修改、接口迁移和测试驱动开发中尤其明显。人类开发者习惯用编辑器、REPL、调试器和单元测试来逐步发现需求，先写出一个粗糙版本，再通过编译错误和运行结果调整方向；AI 生成则倾向于先给出完整方案，初始提示中的名词、动词、架构假设会被模型当作稳定前提。如果开发者一开始说「用事件驱动重写这个模块」，模型就会围绕事件总线、消息队列、异步回调和最终一致性展开；若写到一半发现同步调用更合适，继续在旧提示上修补往往比重新开始更混乱。因此，高效使用 AI 的关键不是追求一次提示完美，而是把提示当作轻量设计文档：先写清楚输入输出、失败模式、依赖边界、性能目标和不可变约束，再让模型生成可审查的小块变更。

核心论点

• 老黑客电影用 180 WPM、不按退格键、从不改变主意来塑造一种神话：程序员在开始前就看见最终代码。现实中，至少作者自己的代码并非如此，想法会在句子中途改变，最初看似出色的重构方案、整体设计或抽象层次，常常在写到具体命名、边界条件、数据结构和依赖关系时暴露出问题。AI 把这个矛盾推到前台：人类可以在同一段思路里边写边改，AI 却把初始提示视为契约，模型会围绕最初的前提持续展开。若前提错误，生成结果不会自动收敛到正确方向，反而会以更高速度产出大量需要丢弃的代码。因此，与 AI 协作时，初始信念的质量直接决定返工规模，开发者必须学会在生成前识别哪些假设是稳定的，哪些只是尚未验证的直觉。
• AI 迫使开发者把决策前置：在让模型生成代码之前，要明确目标、约束、接口、数据形态、成功标准和不可变条件。若中途改变核心假设，成本不只是改几行代码，而可能包括重写提示、重建上下文、丢弃已生成结果、重新解释领域规则。有效做法是把提示当作轻量设计文档，将大任务拆成可验证的小块，让每次生成都对应一个可测试的变更；配合版本控制、自动化测试、类型检查和代码审查，把错误承诺的代价限制在局部。这样，AI 不是要求你永远坚持最初判断，而是要求你把改主意的时机从生成中途转移到生成前的澄清和生成后的验证。
• 与人类同事协作相比，AI 对中途变更的容忍度更低。人类能从只言片语、语气和上下文推断你改主意了，并主动调整方案；AI 更接近从固定前提展开的生成器，错误前提会被一致地放大。因此，开发者不能把 AI 当作能读心的结对程序员，而应把它当作执行力强但前提敏感的工具。真正高效的流程是：先承诺一个可检验的初始信念，再通过小步提交、测试反馈和增量重构来修正。AI 让「先想清楚再动手」从软建议变成硬约束，也让设计文档、接口契约和验收标准重新变得关键。

💡 为什么值得读: 它把 AI 编程中常被忽略的认知成本讲清楚了：模型越强，初始判断越像契约，值得每个用 AI 写代码的人重新审视自己的迭代方式。

🏷️ AI, programming, iteration, assumptions

---