我最近越来越不对劲。AI Coding工具已经快到我不好意思抱怨了——一个需求扔进去,代码几秒钟就出来了,单元测试也给你配上,代码风格看着还挺正经。但越是这样,我越不敢点“合并”按钮,更不敢拍胸脯说“可以上线”。不是工具不好用,是它快得让我开始怀疑:我到底还能不能看懂自己负责的系统。
这不是矫情。过去几个月,我在好几个模拟项目X里反复踩坑,AI生成代码的“高性能”和“上线恐惧”几乎是双胞胎。生成得越快,review的负担越大,测试的缺口越难补,回滚的链条也越长。今天想认真聊聊这件事:为什么AI Coding越来越快,我们的上线门槛却反而要越设越高,以及我摸索出的一套应对办法。
1. 为什么AI写代码越快,上线越让人心虚
1.1 快不是问题,问题是没人能完整看清它
以前写代码,哪怕再快,心里也有一条“作者逻辑线”。我知道这个函数为什么长这样,知道那个分支为什么这么处理,因为那是我一行行敲出来的。现在换成AI Coding,代码确实来了,但你看到的只是“结果”,不是“推理过程”。它不是在你脑子里生长出来的东西,而是一个基于海量样本拼出来的近似解。
这带来一个特别实际的问题:代码评审里你不再是一个人,而是两个角色。你得先当侦探,判断AI到底理解了需求没有;又得当翻译,把它写的逻辑还原成业务语言。一个接口返回字段错了还好查,最怕的是它用一个看似标准的方案掩盖了业务理解上的偏差。
比如模拟项目X里有一个功能:导出报表时要把用户手动填写的备注和系统自动生成的日志合并。AI直接生成了一个拼接逻辑,看起来没问题,单测也过了。但我后来追问才发现,它把“手动备注覆盖自动日志”理解成了“直接拼接”,两个字段存在大量重复内容。代码本身能跑,但业务结果完全不对。
速度快的时候,这种问题会被淹没。你看到几百行代码,觉得“行吧,逻辑挺完整”,一merge,后面人就遭殃。
1.2 幻觉不是小概率事件,而是结构性问题
很多人把AI写错代码叫“幻觉”,听起来像偶发事故。但我在实际使用中越来越觉得,幻觉不是它偶尔犯傻,而是它在做一个概率上的“合理猜测”。它不是在执行你的系统,而是在模拟“这个系统大概长什么样”。
举几个我真实遇到过的情况:
- AI调用了一个“看上去存在”的内部方法,参数都对,但那个方法在另一个包路径下,运行起来直接ClassNotFound。
- AI在配置里写了一个环境变量名,和运维同事定好的差了三个字母,测试环境全绿,上生产后读取配置失败。
- AI在错误处理里写了“捕获异常后记日志并继续”,看起来稳健,实际上把关键错误吞掉了,线上请求失败还显示成功。
这些问题的共同点是:语法、风格、结构全对,唯独“和你们系统的真实约定”不对。AI Coding快就快在这些约定它也能模仿,但模仿终归不是理解。上线前如果不把这些细节抓出来,线上故障就等着你。
