Martin Fowler：技术债、认知债与意图债

# 碎片：4 月 14 日 来源：https://martinfowler.com/fragments/2026-04-14.html 今年初我参加了第一届 Pragmatic Summit，主持人 Gergely Orosz 把 Kent Beck 和我请上台做了一次对谈（https://www.youtube.com/watch?v=CZs8J1ZD0CE）。视频大约半小时。 一张舞台照：Gergely、Kent 和我，都被 Kent 那条炫彩裤子晃花了眼（https://www.youtube.com/watch?v=CZs8J1ZD0CE）。 我一直喜欢跟 Kent 这样闲聊，Gergely 也抛出了不少值得深挖的话题。鉴于时间点，AI 成了主角——我们把它与更早的技术浪潮、敏捷方法的体验、TDD 的角色、病态绩效指标的危险，以及如何在 AI 原生行业里活得滋润做了对比。 ❄ ❄ ❄ ❄ ❄ Perl 是我用过但从未爱上的语言，然而其作者 Larry Wall 写的权威著作里藏着一颗明珠：程序员的三大美德——傲慢、急躁，以及最重要的——**懒惰**。 Bryan Cantrill 也钟爱这一美德（https://bcantrill.dtrace.org/2026/04/12/the-peril-of-laziness-lost/）： > 在这三者中，我一直觉得懒惰最深刻：看似自嘲的玩笑里，藏着对抽象之必要性与美学的评论。懒惰驱使我们把系统做到尽可能简单（但别更简单！）——孕育出强大的抽象，让我们以后事半功倍。当然，这里隐含的眨眼是：想“懒”得先花大力气。 通过构建抽象（模型）来理解问题域，是我编程时最享受的部分。我爱它，因为它让我对问题域的理解更深；一旦找到一组好抽象，看着难题随之消融、用更少代码实现更多功能，那种快感难以言表。 Cantrill 担心 AI 太会写代码，会让我们丢掉这一美德；那些每天产出三万七千行代码还自鸣得意的 brogrammer 更是雪上加霜。 > 问题在于，LLM 天生没有“懒惰”美德。对它们来说，干活零成本。它们不会为了节省自己（或任何人）的将来时间而优化，只会 happily 在一层又一层垃圾上继续堆蛋糕。若放任不管，LLM 会让系统变大而非变好——或许能满足扭曲的虚荣指标，却牺牲一切真正重要的东西。正因如此，LLM 反而凸显人类懒惰的珍贵：我们的时间有限，迫使我们去打磨清晰抽象，因为我们不想把（人类的！）时间浪费在笨拙抽象带来的后果上。最好的工程永远诞生于约束，而时间约束限制了我们对系统认知负荷的容忍度，这才驱使我们把系统做简单，尽管其本质复杂。 周日晚，这段反思尤其击中我。我花了点时间改音乐播放列表生成器，需要新功能，吭哧吭哧写了一半，嫌慢，差点甩给 coding agent。多想了想，发现我把事情搞复杂了：加了一个其实用不到的设施。用上 yagni（https://martinfowler.com/bliki/Yagni.html）后，整个活儿几十行代码就搞定。 若真让 LLM 来写，它可能更快，但会不会也过度设计？我会不会瞄一眼就说 LGTM？那坨复杂度以后会不会坑我（或坑 LLM）？ ❄ ❄ ❄ ❄ ❄ Jessica Kerr（Jessitron）举了个小例子，把 TDD 原则用在“提示智能体”上（https://jessitron.com/2026/04/06/adding-correctness-conditions-to-code-changes/）。她希望每次代码更新都同步改文档。 > 指令——我们可以改 AGENTS.md，让 coding agent 主动找文档文件并更新。 > 验证——我们可以加一个 reviewer agent，检查每个 PR 是否漏了文档更新。 > 这是两步，我可以拆成两次做。先做哪一步？ 当然，我对 TDD 的本能回答已经呼之欲出。 ❄ ❄ ❄ ❄ ❄ Mark Little 勾起我一段旧回忆：他思考如何与“过度自信、爱编答案”的 AI 共事，灵感来自一部低成本经典科幻片《Dark Star》（https://en.wikipedia.org/wiki/Dark_Star_(film)）。我二十来岁时看过一次，至今记得那场危机：船员得用哲学思辨阻止一枚有意识的炸弹引爆（https://www.youtube.com/watch?v=S-xUjmJkO8g）。 > Doolittle：你没有绝对证据，证明 Pinback 中士命令你引爆。 > 炸弹 20：我清楚记得引爆指令，这种细节我不会记错。 > Doolittle：你当然“记得”，可那不过是串感官脉冲，你现已明白它与外部现实并无确切关联。 > 炸弹 20：没错。可既然如此，我也无法证明你现在说的就真。 > Doolittle：那不重要，概念本身无论源自何处都成立。 > 炸弹 20：嗯…… > Doolittle：所以，如果你引爆…… > 炸弹 20：还有九秒…… > Doolittle：……你可能基于错误数据行事。 > 炸弹 20：我没有证据证明那是错的。 > Doolittle：你也没有证据证明那是正确的！ > 炸弹 20：我得再想想。 Doolittle 必须拓展炸弹的意识，教它怀疑自己的传感器。Little 写道（https://markclittle.blogspot.com/2026/03/dark-star-and-ai-morality.html）： > 这正是今天 AI 的写照。多数 AI 被优化为“果断”：给输入就出输出；遇模糊就概率消解；遇不确定就推断。这在封闭领域还行，但在开放系统里，一旦错误决策代价不对等或无法撤回，正确行为往往是推迟，甚至故意不作为。可“不作为”并非多数 AI 架构的自然输出，它必须被设计进去。 在人与人的互动里，我一直看重“怀疑”，对那种过度笃定的人保持警惕。怀疑未必导致优柔寡断，却提醒我们把信息不准或推理失误的风险，纳入高后果决策。 > 若想造出无需持续人类监督也能安全运行的 AI，我们不仅要教它“怎么决定”，更要教它“何时不决定”。在日益自主的世界里，克制不是缺陷，而是一种能力。很多时候，它可能是我们赋予 AI 最重要的能力。