AI 编码工具正在以团队尚未意识到的速度产生技术债务，而上下文缺失是罪魁祸首

目前关于 AI 编码工具的生产力指标几乎完全集中在接受率和节省的时间上。然而，没有人追踪的指标是由此产生的技术债务。在一个拥有既定规范和内部标准的代码库中，一个不了解这些规范的 AI 工具不仅无益，反而会在每次被接受但违背既定模式的建议中主动增加债务。 这种债务在初期并不明显。它看起来像是通过了审查的可用代码，因为审查者通常关注的是代码的正确性，而非其是否符合规范。三个月后，这种模式的不一致性就会表现为维护成本的增加，表现为必须处理的例外规则，或者表现为架构偏离标准且无人记得原因的地方。 我所见过的对此进行严格追踪的团队发现，在成熟的企业代码库上使用通用的 AI 编码工具，会随着时间的推移导致模式不一致性出现可衡量的增长。建议接受率看起来很健康，但代码库却在悄然变得越来越难以维护。 解决方案在于组织上下文，而非模型质量。一个了解你规范的工具体无法提出违反这些规范的建议。上下文层的质量与技术债务产生率直接相关。事后看来这似乎显而易见，但很少有团队对此进行衡量。