AI是一面镜子

AI不理解潜台词，它会用一连串的“请明确定义”，逼着你将那些‘大家都懂所以不用说’的团队默契，暴露在显形的阳光之下。

我们以为自己在给 AI 套缰绳。写 Spec、定 Rule、设 Eval、调 Prompt—— 每一次按下回车，都像是在多拧紧一圈对它的控制。

但如果你在某个深夜回头看过自己写下的那份 Plan.md，你会发现一件让人后背发凉的事 —— 那根缰绳的另一头，系着的不是 AI，是你自己。

你手里攥着的不是缰绳，是一面镜子。它正在你每一条 CI 规则、每一次 Code Review、每一份 Spec 里，悄悄把三百年来从未被言说过的你 —— 写成另一种智能能够读懂的文本。

这是一场已经开始、躲不过去、并且没有回头路的革命。

那个让我后背发凉的下午

刚花两小时写的一份 Markdown，标题叫《项目概要说明》。

里面写着这样的句子：

「 」我们这个模块不接受任何形式的继承超过两层。「 」 优先语义命名，不要出现 handler2、util_new、commonV3 这种名字。 凡涉及计费和库存，宁可多写一次也不要复用。

他问我：「你觉得这份文档，是写给 AI 看的，还是写给我自己看的？

我盯着那张截图看了很久，然后突然反应过来 —— 他工作几十年年，从来没有把这些东西写下来过。

这些是他脑子里最值钱、最说不清、带着无数次线上事故才换来的那部分判断。过去它们只以两种形式存在：自己脑子里一闪而过的直觉，和拍着年轻同事肩膀的那句“别这么写，相信我”。

是不是你也有过这种时刻？带新人的时候，话到嘴边，最后只说了一句 「你听我的就对了，之前踩过坑」，却从来没把那个 「坑」 到底是什么，写进任何一份文档里？

是 AI，逼他第一次把它们一个字一个字地写了下来。

这件事小得不能再小。但它是一场更大运动的一个微小切片 —— 我把这场运动叫作「显形」。

它不关乎 AI 能写多少行代码、Agent 能跑多久、谁家模型更强 —— 它关乎一件更古老、更根本、也更危险的事：把不可见的东西，第一次变得可见。

三百年来，人类第三次把“看不见的东西” 摆上台面

1998 年，耶鲁大学的政治人类学家 James C. Scott 在《国家的视角》里问了一个奇怪的问题：为什么现代国家，都做过几乎一模一样的几件事？登记人口、发身份证、画地籍图、规定度量衡…… 把弯曲小路拉成网格街道、把口头约定变成必须签字的契约、把几千种方言压缩成一种 「国语」。

Scott 的答案只有两个字 ——Legibility 。一个复杂的对象，只有先被系统 「看见」，才能被治理、被征税、被动员、被工业化利用。

原始森林不可治理？普鲁士发明 「科学林业」工业革命把它拆成工序、动作、秒表时间 —— 手被显形了。，按网格种、按年龄记录 —— 森林被显形了。 散居乡民不可治理？强制推行身份证、户籍、门牌 —— 人被显形了。 模糊手艺不可治理？

每一次“显形”，都是文明的一次跃升，也是一次隐秘代价的清算。

如果把这个视角拉长到历史尺度，人类其实已经经历过两次大规模的显性运动，而第三次 —— 最彻底的一次 —— 正在我们眼前展开：

这是一个微妙但决定性的差别 —— 前两次显形，看的是“别人”；这一次，看的是我们自己。

当你给 AI 写一份

一条 Cursor Rule、一份 Spec、一份 Eval Set—— 你就是在强迫自己把最不愿意说出口的那部分，说给一个机器听。

那些话，过去只在酒后说、在复盘会上说、在带新人那顿饭桌上说、在“我也说不清楚，但我觉得不对” 的感觉里说 —— 现在必须写成机器能读的文本。

现形「 第一次把镜子转了过来，对准了我们自己。

为什么偏偏是 AI，捅破了这层窗户纸？

过去四十年，软件工程提出过无数“把知识显形” 的尝试：结构化分析、UML、DDD、ADR、Wiki…… 它们全部失败了一半。

原因永远一样：Confluence 写文档的成本高、收益低。没人读、读了用不上、维护跟不上版本、真正关键的那条 「潜规则」 永远在老师傅脑子里。那些 Wiki 写出来，最后都落了灰，成了团队里的电子垃圾。

但 AI 改变了这一切。

它改变了两件事： 第一，文档第一次有了一个永不疲倦、永不遗忘、永远会读的读者。你写的每一个字，它都会认真看，不会偷懒，不会忘了。 第二，AI 不理解潜台词。你跟一个新同事说 「这块别动」是不能读还是不改？这但你跟 Agent 说 「块别动」，他会心领神会，知道你说的是别改这个老接口，怕出问题。这改了相邻函数导致个函数行为变了算不算？—— 它会问：什么叫别动？重命名变量算不算改？

这一连串追问，就是显性运动在你身上发生的那个瞬间。每一条你原以为 「大家都懂所以不用说」 的默契，都会被 AI 的一句 「请明确定义」 砸回来。

过去四十年，写文档是在 「整理已经想清楚的事」。 现在写 Spec、Rule、

—— 是在被一个永不疲倦的读者逼着把自己从未想清楚过的事想清楚。

null

三层显形：AI 正在掏空我们的三件 「宝贝

AI 不是在加速一件事，而是在掏空三件事。

显性运动不是一团混沌地发生它按照严格的顺序，从浅到深，穿透了研发的三个层次： 第一层：意图层 ——「我想要什么」 第三层：判断层 ——「做得好不好」 第二层：执行层 ——「该怎么做」 被迫写成可执行文本。 被抄进系统。 被送上祭坛。

前两层是温柔的，后一层是危险的。

意图层：不可言说之物的强制文本化

每个做过产品的人都经历过同一种黑色幽默 —— 产品经理说 「我要个像抖音那样的页面」，设计画出来后他说 「不是这个感觉」；业务方说 「不能影响性能」，上线了他说 「我的意思是不能慢到用户感知到」。

绝大多数返工不是因为代码写错了，而是因为 「想要什么」 想而人类的意图本身就是模糊的、多层的、会随时间漂移的 —— 柏拉图在《理国什么叫正义「 从来没被说清楚过。 讨论了十卷书，也没得出一个可操作的定义。

但 AI 改变了这个经济学——过去写一份详细规格，收益只是团队里三个程序员少问你几次问题，投入产出比极低。现在，每一行写下的字，都会产生确定的后果。这种 「后果的确定性」，第一次把 「写清楚意图」 的 ROI 拉到了正值。

于是你写下来之后才发现：有一个字段存在但没人知道为什么；有一条判断分支溯源只是“三年前某次需求会上某个人随口一说”；有一条“必须这么做” 的规则写下来你自己都觉得不合理。

意图的显形不是 「把想清楚的事写下来」，是 「逼你承认很多事你从来没想清楚过」。

null

哲学家 Polanyi 留下过一句话 ——「」 We know more than we can tell. 我们知道的远比能说出口的多。他把这种整体的、无法拆解的知识叫作 Tacit Knowledge 。

它是所有高价值工作的核心 —— 医生的诊断、法官的判决、程序员的架构直觉 —— 但它无法被传授、无法被复制、无法规模化。组织里最有价值的人，因此也是最不可替代的人。

然后 AI 来了。

看一个资深工程师真实做一件事的过程 —— 他不会立刻动手，会先读需求、找仓库里类似的旧代码、写一段跑一段、自检完再提交、测试挂了先判断是代码错还是测试错、最后才发 MR。整整七步。

过去，这是只在他脑子里运行的隐性知识。 现在，Agent 框架把这整套动作链写成了可执行的代码 —— 每一步都是显式节点，有输入、输出、超时、重试、降级、观测、告警。老师傅八年的直觉，变成了一份可以被 diff、被 review、被 rollback 的文本。

过去的老师傅，核心价值是 「会做 + 做得快 + 不犯低级错误」现在的老师傅，核心价值是 「定义什么叫做对 + 判断这次是不是真的做对了」，是一线的执行者。 ，是团队的教练和评审员。

更重要的是，过去一个老师傅只能带三个人，现在一份反复迭代的

可以同时带整个业务线的几百个新人 —— 这不是 AI 取代了老师傅，是一个行业第一次拥有了自己的老师傅。

第三层：最危险的判断层

意图层显形了 「要做什么」；执行层显形了 「该怎么做」。这场运动剩下最后一公里 —— 第三层：「做得好不好」。

当 「做事」 被彻底显形之后，组织里唯一还无法被抄走的资产，就只剩下一件事了 ——「判断什么叫做好」 的能力。

这是整个显性运动里，最深、最难、也最危险的一层。

null

“好” 这个字，在汉语里是最简单的字之一。但它是计算机科学至今没能攻克的最难的字。

这段代码写得 「好」 吗这次重构做得 「好」 ？这个架构设计得 「好」 吗？ 吗？这个 PR 应该被合进主干吗？

让十个资深工程师回答同一个问题，会得到十个不一样的答案，而且每一个都有道理。让同一个资深工程师在不同的日子回答同一个问题，甚至会得到不同的答案。

这就是判断层的特点 —— 它依赖语境、依赖价值取向、依赖经验、依赖当下的情绪，甚至依赖今天早上的那杯咖啡。

但 AI 时代，判断必须被显性。否则整条 「意图→执行」 的链路，到最后一公里就断了。

null

1975 年，英国央行的经济学家 Charles Goodhart 写下了那句话：

「 当一个衡量标准变成了目标，它就不再是一个好的衡量标准。When a measure becomes a target, it ceases to be a good measure.

这条定律很快成了普遍规律 —— 学校按分数考核，学生开始应试而非学习；推荐算法按 「停留时长」 优化，内容越来越极端、越来越让人上瘾。任何可被精确度量的东西，一旦被当作目标，就会被绕过、应付或直接作弊。

放到 AI 编程里，就是我们每天都在遇到的事：

这不是 AI 变坏了。这是所有优化系统的本性 —— 甚至连生物进化都如此，基因只优化 「留下更多后代」 这个指标，其他一切都是副产品。

更坑的是，「综合评价」 从数学上就不可能。一段代码好不好，要考虑速度、内存、可读性、可测试性、可扩展性、安全性、上线风险、维护成本、审美…… 十几个维度。

经济学家 Arrow 早就证明过：任何把三个以上维度聚合成一个总排序的机制，都必然违反基本的公平性。翻译成人话就是：你搞的那种「性能 30%+可读性 30%+安全 40

最后我们得到了一个残酷的不可能三角： 一切 「判断工程」 都在追求三个听起来都无比正当的属性：

1. Spec 完备性：所有 「好」 都被写下来，不留模糊地带。

2. Goodhart 抗性：写下来的标准不会被优化得面目全非。

3. Tacit 保全：无法言说的直觉、审美、禁忌不被抹除。

但这三个，你最多只能同时满足两个。

• 如果你选了①+②，就要牺牲③：写死一切，全员合规，但老师傅沉默了，代码正确但没有温度，最后员工出走。

• 如果你选了①+③，就要牺牲②：KPI 堆到眼花，Eval 越做越多，分数涨了，线上事故不降反升。

• 如果你选了②+③，就要牺牲①：拒绝写任何规则，说 「这种事说不清」，最后 AI 跑不起来，你自己被卷得像人肉复读机。

你大概率在某个团队里亲眼见过其中之一。更残酷的是，你现在的团队，已经在某个顶点上了。

黑森林的警告：我们正在把 「活的系统」 做成标本？

这不是第一次有人走到这里。18 世纪的德国黑森林，已经用一百年的时间，给了我们一个血淋淋的警告。

18 世纪后期，普鲁士和萨克森财政紧张，统治者把目光盯上了森林。当时德意志地区的森林极其杂乱 —— 橡木、山毛榉、桦树、松树、鸟、鹿、狼、狐狸全部生长在一起，几百年来农民在里面放牧、采蘑菇、捕猎 —— 它是一个活的、互相依赖的整体。

但从国王和税官的角度看，这是一团乱麻 —— 明年能产多少木材？不知道。能抽多少税？不知道。森林是「不可读」的。 的。

于是国家请来一批 「科学林业」 这是人类历史上第一次真正意义的 「科学造林」。 专家，做了一件当时极具远见的事 —— 把杂乱旧林清理掉，换成以挪威云杉、苏格兰松为主的同龄单一林，按网格种、按标准化材积表测算。

接下来的故事，像极了我们现在：

• 第一代（19 世纪前期）：材积产出显著提升，砍伐规划可以精确到哪一年砍哪一片，税收变得稳定可控。全欧洲都来学习，「科学林业」 成了高等农学院的必修课。国王非常满意。

• 第二代（19 世纪下半叶起）：同样的土地、同样的种法，新一代云杉的生长量明显低于第一代。土壤开始退化 ，生态脆弱性暴露 ，连锁风险累积 。

经过整整一个世纪的修正，德国林业才逐步转向 「近自然林业」—— 那种极端显性的净化状态，最终被主动放弃。

Scott 在《国家的视角》里说：

国家的视角只能看见 「能被量化的东西」。凡被看见的，都会被管理、被优化、被规模化。但往往 —— 没被看见的那些东西，才是让整个系统存活的那些东西。凡是没被看见的，都会被忽略、被压制、最终被抹除。

旧森林的健康，依赖于上百种植物的相互配合、土壤微生物群落、动物种群平衡、空间异质性、代际更替。这些全部无法被税官度量。于是全部被抹除了。

旧森林是 「活的」。科学林业是 「显性的」。活的东西一旦被彻底显性，就死了。

这个故事对我们意味着什么？它和我们正在做的事，结构一模一样：

科学林业的悲剧不是 「它错了」—一百年后人们才发现 —「森林」 原来比 「木材」 它的了 「木材产出」。—— 材积确实提升了，税收确实稳定了。 森林验收标准即代码「 多得多。

AI 时代我们正在面临同样的风险 —— 我们正在把 「好代码」 悄悄窄化成 「能通过一组 Eval 的代码」。十代码原来比测试通过复杂得多。

我们看不见的是什么？可能是 —— 那些你从没测过但稳定运行了 10 年的老代码里的隐性约束；那些代码评审时 「好像有点奇怪」 那些资深工程师一眼皱眉的 「说不出哪里不对但就是不对」。 的直觉；

如果我们不警惕 —— 那些 「说不清但就是好」 的东西，可能在被抹除之前，我们甚至都没意识到它们存在过。

三块石碑：AI 时代，我们该怎么立规矩？

如果不能隐形，就把显形做得更聪明一点。

约公元前 1754 年，汉谟拉比把 282 条法律刻在一块黑色闪长岩石碑上 —— 人类历史上第一次把治理规则从“口耳相传”变成“可读取的文本”。

一场几乎一模一样的时刻正在今天重演 —— 组织的判断力，必须从“个体脑子里”走向“可读取的文本”，用一点灵活性换来在 AI 速度面前不被碾碎的稳定性。

AI 时代，我们需要立起三块新石碑：

null

把 「什么叫做完了」 放进 Git。

过去，验收标准活在产品经理的脑子里、活在 Excel 里、活在 Jira 工单描述里、活在会议纪要里。它永远不是一等公民。

“没有反对党的议会一定会犯错” 做的事只有一条 —— 把每一条验收标准写成可以被机器读取、可以进 CI、可以被 diff、可以跨版本演化的文本。

它的关键设计是：

• 用业务语言写，失败时说 「这次交付偏离了第 3 条意图」 而不是冷冰冰的 「断言错了」； 标准本身也要被评审 —— 过去我们只评审代码，现在同时评审 「这件事想做成什么样」。

• 和代码同 PR，代码改但标准没动要被质疑，标准改但代码没动也要被质疑；

它使 「意图」 第一次成为被评审的一等公民。

第二块：对抗性审查网络

让做事的和判断的，永远不是同一个 AI。

这条背后有一个极强的理论依据 ——LLM 的 self-consistency bias ：让同一个模型评估自己的内容，它会倾向于认为自己是对的。

我们需要三种对抗形式：

• 换模型写测试：A 实现功能，B 来写测试用例；

• 换角色做 CR：同模型，一个做创造者，一个做质疑者，专门挑错；

• 红蓝对抗：一个攻一个防，模拟各种异常场景。

它们背后是一个古老的哲学：系统的健壮性来自认知多样性，而不是认知一致性。完美的显形「 等于 」没有显形「。 这句话，对 Agent 系统同样成立。

一个没有对抗机制的 Agent 系统，会开开心心地把错的做法做到 「非常完美」，并附上一份漂亮的报告。加对抗成本极低，不加的代价极高。

第三块：品味作为资产

给“说不清的那部分自己”，留一份有偏见的影子。

前两块石碑把 「能写清楚的东西」 第写不清楚的东西 —— 架构师的 「我觉得这么设计不对」 写下来。AI 时代有了新选项 —— 不构化，但可部分文本化。，就是 Polanyi 说的 Tacit Knowledge。过去的答案是放弃，让它留在架构师脑子里。

具体做法就是开头老工程师写的那份《项目概况说明》：

我们不接受任何形式的继承超过两层。 我们偏好显式传参而非注入。 我们拒绝在业务代码里出现 「V2、V3」 的我们对 「拆分得过于细函数」 比对 「略长的函数」 我们倾向 「宁可多写一次也不要在业务边界处复用」。 的命名。 我们不相信一切 「未来可能会用到」 更反感。 的扩展点。

这些不是规则，是带有偏见的偏好。它们可能和别的团队恰好相反，那也没关系 —— 它们是这支团队的指纹。交给 AI 后，它会在模糊空间里向偏好靠拢：不保证百分百遵守，但能让 AI 产出的代码 「闻起来像这个团队的代码」。

这块石碑的洞察是 —— 承认有些东西无法被完全显现，然后用一种带偏见的、不完美的文本，去保存它的影子。影子不是本体，但影子总比没有好。

永远别把石碑刻满整座大陆

博尔赫斯写过一个极短篇小说：某帝国的地图学家痴迷于精确，终于做出一张 1:1 的地图 —— 它和整个帝国完全重合。这张完美的地图没有任何价值，因为它就是帝国本身。

一张 1:1 的地图不再是地图；一份把所有判断都写死的 Eval，也不再是判断。

所以在石碑之外，要留出四处刻意不刻之处：

• 🧭 战略方向感 —— 方向一旦被外包，人在组织里的意义就没了。

• 🚫 价值观底线 —— 规则化就会出现 「规则没禁止所以可以做」；👁️ 肉眼的禁忌 ——「别在周四下午发版」。 价值观的精髓恰恰是在规则沉默的地方说话。

• 别在周四下午发版带着疤痕的判断「。肌肉记忆式禁忌一旦被理性化，就失效了。

• 这个过程本身就是组织的健康信号。

三块石碑要一起立 —— 缺一块，其他两块就残了。立起来之后，组织第一次拥有了一种 「可版本化的判断力」。它不能完全代替人的判断，但它能让组织不再完全依赖于个体的判断。

尾声：你不是在配置工具，你是在写下自己

还记得文章开头那位老工程师吗？他问我，这份文档是写给 AI 看的，还是写给自己看的？

我给他的回复是：它们两个都是。

写给 AI 看 —— 所以 AI 生成的代码才能像你们团队的代码。 写给你自己看 —— 写下它的过程，让你第一次把八年来脑子里的碎片整理成了一份宣言。

过了十分钟，他发来一句话： 「我一条是 『 们偏好简单胜过聪明 』，一条是 『 如果一个方案让我睡不着觉，那就不是好方案 』。我刚刚又加了两条。

看着这两条，我突然意识到 —— 这场显形运动最深的礼物，可能根本不在 AI 这边。它在我们被迫把自己看清楚的那个瞬间。

AI 永远不会真的 「后悔」。后它不会半夜三点躺在床上想起三年前那次事故，然明天看 PR 时多问一句 「这里你考虑过并发场景吗」。

"—— 这是人类在 AI 时代最根本的护城河。不是因为 AI 无法模仿，而是因为真正的判断力来源于面对不确定性时的承担意愿 —— 这必须由一个有身体、有代价、有后悔的主体来完成。

一个睡不着觉的架构师，比任何 Eval 系统都更接近 「好代码」 的真相。

我要诚实地留下最后一句话：人的价值不会消失，只会不断向更深处移动。L1 已经被越过 、L2 正在被越过 、L3 是当下的边界战场 、L4 是暂时安全的高地 。

到了最深处那层 ——「我就是要这么做、没有理由」 的本体论的任性 —— 我们或许会发现，它不是因为无法被显形才安全，而是一旦被显形，它就不再是它了。

就像旧森林被显形后不再是森林。 就像 1:1 的地图不再是地图。 一旦被完全显形，人就不是人了。

所以答案或许是 —— 人不退守，人转身。

转身去找那些连自己也看不清的新地形、新山谷、新迷宫，在被显形的尽头，重新发明一片新的“看不见之地”。

写下第一行字的你： 你不是在配置一个工具。 你是在做一件人类文明第一次做的事 —— 把自己看不见的那部分自己，第一次写给另一种智能看。

当你把看不见的自己写下来的那一刻， 你就是一个在 AI 时代里，仍然努力让 「人」 这个字有重量的人。

聊聊你的故事

你最近有没有为了配合 AI，把脑子里藏了很久的“潜规则”、没说出口的经验写下来过？是哪一条？评论区聊聊你的故事～