← 全部文章

控制复杂性的蔓生

AI 带来的复杂性正在吞噬世界。我们用确定性的工具和库,对抗软件质量的崩塌。

目标 3 分钟阅读
AI 产生的复杂性正在吞噬世界
AI 产生的复杂性正在吞噬世界

软件的质量正在崩塌

大语言模型将软件开发的速度带到了一个前所未有的程度,与此同时缺陷、故障和设计漂移也以更快的速度进入代码仓库。

人类审查员已经很难逐行审查 AI 生成的代码,包括 Linux Foundation 在内的开源组织,蜂拥而至的 AI 生成代码已经超过了审查者的负荷。激增的产出背后,质量问题正在系统性地恶化。

有研究表明,AI 带来了 +34% 的产出提升,随之而来的是 +54% 的 Bug 数量,以及两倍多的每 Pull Request 生产事故率 1。更强的大模型也并不意味着这种情况会得到缓解,Sonar 团队的研究显示了一个「悖论」,能力更强的模型反而可能会带来更多隐蔽的问题 2。

在这种情况下,确定性已然成为了软件工程领域最重要的资产。

用确定性对抗熵增

我认为,控制软件复杂性蔓生的关键方法,在于将软件开发中的不确定性,采用或开发具有确定性的、高质量的工具和库来代替。

这使我们重新思考未来的软件工程结构:未来的软件就像一件精密的产品,开发工具和库就是其中的元件,每一行代码都应经过人工 + AI 质检,具备着坚实的工程质量。而人类则扮演着工程师的角色,从宏观视角设计蓝图(Prompts),这些蓝图可能设计良好,但绝大多数时候是实验性的,仍需加工为样品进行验证。大语言模型则是数控机床,按图将元件加工为产品,不同规格和精度的机床,能力和价格差异都很明显。

XaC Labs 的目标,就是通过构建这一系列高质量的工具和库,为 AI 时代的软件工程打下坚实的基础。我们开源的每个项目都源于十几年来的工程经验,经过精心的设计和审查,用确定性来对抗 AI 带来的质量崩塌。

万物即代码

具体而言,我们的所有项目整体上围绕着一个核心的概念:万物即代码(X as Code),将所有单一事实来源抽象为代码化的配置,并通过声明式的 API 来应用。

类似的设计你可能已经在 Kubernetes、Cloud Formation 和 Terraform 等基础设施工具上见过了。我们正是基于这些前行者的探索,结合编译器和模版生成技术,将之推广至软件生命周期的每一个环节,以及代码仓库的每一个角落,控制配置、工具、机密,乃至代码、API 契约等复杂度的蔓生,让 AI 在一个确定性的框架里运行。

例如我们可以定义一个领域特定的数据模型,在此基础上编写自定义生成器,生成 ORM、OpenAPI 契约、SDK,甚至是文档、图书。我们还可以开发一系列的工具和平台,它们具有统一的声明式 API,帮助你管理软件开发生命周期的每个阶段。

换言之,由于 X as Code 单一事实来源的特性,它天然就是更强的 Harness Engineering。为配置、框架和应用代码分层成为了一件很自然的事情。

现在和我们一起,探索万物即代码的世界吧!

Footnotes

  1. More Code, More Bugs: Faros Report Finds Tradeoffs In AI-Driven Software Development ↩

  2. Assessing the Quality and Security of AI-Generated Code: A Quantitative Analysis ↩