写了几十年软件,行业里一直有个心照不宣的约定:你修好一个 bug,就得先读懂一段系统;读懂了这段系统,下次再出事,你就能更快找到病根。修复是付出,理解是回报,这场交换在每一次调试里悄悄完成,几十年从来没失效过。新人的成长、老手的功力、团队对系统的记忆,都是靠这个约定一点点攒出来的。
但这个约定能成立,靠一个前提:修 bug 的必须是人。因为一直以来,能真正修好一个 bug 的,只有理解了系统的人。
AI 把这个前提打破了。它能修好你的系统,而从头到尾,没有任何人理解任何东西。
于是”修复”和”理解”这对捆了几十年的搭档,开始散伙。如果说《代码正在从资产变成负债》讲的是仓库在空心化,那这篇要说的是更扎心的一层:人也在空心化。
一、调试为什么是最好的老师
很多人把调试当成”查错”,把修复当成”让测试变绿”。这其实只看到了结果,调试真正的价值在过程里——它是一种带着问题的阅读。
平时读代码,是顺着作者的思路走一遍,知道”它是什么”就够了。调试不一样:系统没按你想的跑,你就得猜原因、找证据、验证猜想,被逼着弄清”它为什么是这样”。这个函数为什么收到了这个参数?上游为什么挑这个时机触发?这个默认值当初是为什么加的?这些问题,不修 bug 你一辈子不会去问,问了也未必答得上来。
所以一次修复下来,你实际拿到手的是三样东西。
第一样当然是修好的 bug。测试变绿,问题消失,这是最浅的一层。
第二样是一条因果链:从现象到根因,你在脑子里完整地重建了一遍。这条链一旦建立就丢不掉了——下次系统的任何地方冒出相似的症状,它马上会提示你几个可能的方向。老工程师常说的”直觉好”,多半就是这么攒出来的:不是天赋,是几十次重建因果链留下的存货。
第三样是一张”禁区地图”。每修一次 bug,你就多知道一点这个系统的底线:这个接口背后藏着时序假设,这个缓存的失效边界在这里,这个模块一上并发就换了一副面孔。这些事文档上没有——文档只写系统能干什么,系统真正的边界,只在它坏掉的时候才露出来。
明白了这三样东西,就明白了为什么过去成熟的团队都把修 bug 当成最重要的成长方式:新人在小 bug 里一点点认识系统,老手靠疑难 bug 保住手感。修复是学费,理解是学历。这门课效果太好,好到没人觉得它是一门课——它就像空气,是默认的背景。
也正因为像空气,它消失的时候,反而最不容易被人察觉。
二、AI 拆断的正是那条链
AI 对这件事的破坏,不是”让人修得更快了”,而是把修复从理解里剥了出来。
过去修一个 bug,路只有一条:出了问题 → 提出猜想 → 验证 → 弄明白来龙去脉 → 改代码 → 修好。修和理解不是两件事,它们是同一条路上的两步,谁也绕不开谁——因为整条路只能在你脑子里走完。
AI 换了一条路:出了问题 → 把报错和代码丢给 AI → AI 给出改法 → 测试通过 → 合入。整条路上,没有一个环节需要你搞懂什么。AI 为什么能这样?因为它靠的不是理解你这一套系统,而是见过的系统足够多——你撞上的这个 bug,多半在它的训练数据里有个长得差不多的亲戚,它可以不解自答。
这就出现了一个很不对劲的剪刀差:
修复越来越便宜,理解却一分没便宜。
因为理解有一条 AI 到现在也绕不过去的限制:它只能长在人的脑子里。AI 能给你生成解释、注释、文档,但那些都是”能查的资料”,不是”已经懂了的东西”。一个团队对系统的理解总量,说到底是所有人脑子里那点存货的总和——这个总和,不会因为 AI 会修 bug 就自动多出一克。
放到过去,这不成问题:修复和理解是一根绳上的两个数,修一百个 bug,就顺带攒下一百份理解。现在绳子断了。修复量可以一路涨,理解却原地踏步,甚至往下掉——因为很多人连 AI 给的改法都懒得看一遍了。
我想给这种修复起个名字:无理解的修复。bug 修好了,但它为什么会发生、为什么这么修能好、这么修会伤到什么——从头到尾,没人琢磨过。
单看每一次,这都是效率的胜利。麻烦出在累积之后。
三、系统越来越稳,懂它的人越来越少
这类修复攒多了,会在三个地方慢慢出问题,而且每一处开头都像好消息。
先说团队。表面上一切都在变好:bug 修得更快,事故恢复更短,稳定性曲线很好看。但撑着这套稳定性的那些理解,正在悄悄从人脑子里流失。系统会变成一种从没见过的东西:一台没人看得懂、却运转良好的机器。平时一点症状都没有,因为日常的小毛病全在 AI 的见识范围内。直到某天来了一个它没见过的故障——一场陌生的竞态,一次教科书上没有的连锁反应——团队才发现,自己既没能力定位它,也没有攒下的经验可以缩小范围。系统的抗风险能力其实没变强,只是风险被推迟了;而推迟的代价,是理解的家底被掏空。
再说新人。过去一个工程师怎么长大的,路径很清楚:从空指针修起,到并发问题,再到架构级的毛病,每一层的 bug 都在给下一层打底。这条路的实质,是在风险不大的地方,逼着你把系统弄懂。AI 把低层的台阶抽掉了——新人一上来就是”把报错贴给 AI”,初级那点积累全跳过了。于是就出了个悖论:这一代新人的产出效率前所未有地高,工程判断力却前所未有地薄。不是他们来不及成长,是成长的梯子被拆了。
最后说积累,这是最隐蔽的一处。人修一个 bug 悟出来的东西,从来不只是为了这一个 bug——下次做设计,你会想起”这坑我踩过,绕开”;这些经验会沉淀成团队的写作习惯,变成面试时能讲出来的深度。人的理解是会生利息的:投入一次,受用多年。而 AI 的”理解”停在会话窗口里,窗口一关,什么都没剩下。AI 修一千个 bug,团队的理解家底涨了零;人修一百个 bug,家底能吃二十年。过去这两种修法没有区别,因为只有人会修。现在有了选择,而几乎所有团队都在不知不觉中,选了那个不生利息的。
三处加起来,其实是同一个问题。每次修完一个 bug,不妨问一句:
这次修复,让谁更懂这个系统了?
如果答案是某个人——哪怕修得慢一点,这也是在攒家底。如果答案是”没有人”(AI 修的,人只点了合入),那测试再绿,这次修复也只是付了一笔账,而账单的利息,挂在团队的未来上。
四、几个难免的疑问
这套说法有几个绕不过去的质疑,得正面回答,否则站不住。
“AI 不是也能讲解代码吗?理解照样能获得,只是换了个途径。”
这个质疑最要紧,值得多说两句。
要害在于:查得到的理解,不等于你拥有的理解。AI 给的解释是查字典式的——你问它答,答完就散。而排障现场真正管用的,是长在你脑子里、不用查的那个模型——问题一冒头,它就自动冒出几个猜想。
平时看不出差别,出了事就是生死之别。排查一个复杂故障,最金贵的是”冒出候选猜想的速度”:面对一堆模糊的症状,你脑子里得先有足够的存货,才能在几分钟内列出十个值得验证的方向。这个动作等不起跟 AI 一来一回的对话;更要命的是,你从没真正装进脑子的模型,没法替你冒出猜想。一个读过一百篇 AI 解释、却从没亲手爬过一次因果链的工程师,在事故现场给出的猜想,比真正的老手差着量级。
字典再厚,不等于你识字多。查,替代不了有。
“照你这么说,所有 bug 都得回到纯手工?那不是开倒车吗?”
当然不是。bug 得分两类看。
一类是”熟面孔”:错误形态常见,有现成的修法,不牵扯系统的深层结构。这类丢给 AI,修得又快又好,人不必懂,天经地义——为一个空指针费半天劲建立深刻理解,本来就是浪费时间。
另一类是”怪东西”:症状邪门,病根埋得深,和系统结构缠在一起。这类 bug 的修复过程,本身就是理解发生的过程,跳过它等于跳过学习。
真正的危险不在 AI 修了哪一类,而在判断眼前这个 bug 属于哪一类,本身就需要理解。你得先有足够的存货,才分得清熟面孔和怪东西。而这个判断力偏偏是用进废退的:一个人长期把所有 bug 都扔给 AI,分类的手感就会钝掉,最后连”哪些不该扔给 AI”都分不出来。于是形成一个死循环:越依赖 AI,手感越钝;手感越钝,越分不清;越分不清,越依赖 AI。
“历史上这种解耦不是第一次了吧?编译器让人不懂机器码,框架让人不懂底层,为什么这次就不一样?”
因为以前所有的解耦,解掉的都是力气活,理解这件事始终留在人这边。编译器让你不写汇编,但你不懂语义和逻辑,上层代码照样写不对;框架替你封装了底层,但框架的行为边界,仍然是每个使用者的必修课。技术一路进步,被抽象掉的只是一层层细节,”理解”这个动作本身没挪过窝。
这次挪窝了。AI 替你干的,恰恰是理解这个动作本身——不是把某层细节抽象掉,而是把”读懂系统、找到病根、给出改法”这整件事整个外包出去。被外包走的不是哪一层知识,是获得知识的过程。这是头一遭。
“这不就是上一篇说的’理解债’吗?换个说法而已。”
不是换个说法,是同一枚硬币的另一面——而且两面必须分开算账。
上一篇讲的是仓库这一头:代码没人懂,债记在系统上。这一篇讲的是人这一头:修复不再让人长本事,债记在工程师的脑子里。同一场解耦,在资产负债表的两头各记了一笔坏账。只看见仓库那一头的人,会觉得”让人把 AI 写的代码 review 一遍”就算补上了;可十分钟的 review 补不上的,是那个从头到尾没经历过”猜想、验证、意外、恍然大悟”的人——理解只会从那段过程里长出来。
把这几个质疑接完,立意反而更清楚了:问题不在”该不该用 AI 修 bug”,而在于修复和理解已经真的分了家,而行业里几乎所有机制——招聘、绩效、晋升、知识管理——还当它们是一家人。
五、怎么办:把修复重新变成一次学习
分家不可逆,但分家不等于撒手不管。既然”修复换理解”这场交换,不会再有人自动递到你手上,那就只能由团队和自己动手,把它重新焊上。
第一,把”修完了”的标准改一改:从”测试通过”,改成”有人能讲清来龙去脉”。
过去验收只看 bug 消没消失。以后应该多一条:这个 bug 为什么发生?为什么这么修有效?这么修可能砸了什么?——得有人能不看资料讲清楚。讲不出来,就不算修完。这不是走形式,是在修复的流水线上,硬留一个工位给”理解”。
第二,AI 修完之后,加一道”复述”的工序。
让负责合入的人,向团队、或者至少向自己讲一遍:这个 bug 的来龙去脉是什么?AI 动了哪一处?为什么动这里而不是那里?讲的过程,就是把”查来的理解”压进自己脑子的过程。认真讲一遍的留存,胜过十次顺手合入。
第三,趁 AI 会话里的理解还没蒸发,把它变成写下来的东西。
会话一关,理解就散了。所以要在散掉之前把它留住:写一篇真正有内容的复盘(不是走过场那种),在修复处留一条解释”为什么”的注释,补一个能锁住这个 bug 的测试,把当时排除过哪些猜想记下来。这正是上一篇那套原则在这里的落地:意图、约束、决策记录才是家底。AI 随时能把代码再写一遍,但只有人,能把一闪而过的领悟变成团队压箱底的东西。
第四,给”怪东西”留一条人工通道。
团队要明明白白分出两条道:熟面孔走 AI 的快车道,不要求理解,只求吞吐;怪东西必须人主修、AI 打下手,理解不许外包。这条路短期看是慢了,长期看是给团队的判断力买保险——它保证队伍里永远有人完整经历过疑难 bug 的全过程。
第五,定期回到手工调试。
对个人来说,不管 AI 多好用,隔一阵子找几个问题,用老办法自己排查:不让 AI 给答案,自己提猜想、做实验、验因果。这不是怀旧。调试能力是用进废退的典型,而它真正值钱的时刻,恰恰是 AI 接不住的那次故障。
第六,换个方式算产出。
工程师的价值,不再是”修了多少 bug”——这个数字在 AI 时代会越来越不值钱。新的算法是:你讲清了多少条因果链,沉淀了多少条约束和经验,帮多少人真正看懂了系统。修一百个 bug 而没留下一份理解,等于零;修十个 bug、把每一个都讲成团队的模型,是十份会生利息的家底。
六、收尾:和系统的那场诚实对话
回到开头那个约定:修一个 bug,长一分本事。
调试曾经是工程师和系统之间唯一诚实的对话。系统不会哄你,不会顺着你的第一判断走,它在每一次故障里逼你丢掉幻想、直面真相、重新认识它。几十年来,正是这场不讨好的对话,把一茬茬新人锤炼成了真正懂系统的人。
AI 没有取消这场对话。它只是给了你一个新选项:跳过对话,直接抄答案。
抄得越多,你就越会得到一个拧巴的系统:它跑得越来越好,同时懂它的人越来越少。稳定和可理解,有史以来第一次可以朝着相反的方向走。而工程史上所有的大事故,最后都指向同一句话:系统可不可靠,最终不取决于它平时转得多好,而取决于它不转的时候,有没有人知道为什么。
所以这个问题,值得每个工程师、每个团队认真想一想:
你要的,到底是一台”跑得好但没人懂”的机器,还是一个”因为有人懂、所以还能一直往前走”的系统?
如果答案是后者,那么 AI 时代只有一条纪律真正要紧:
别在没人懂的地方,停止追问为什么。
哪怕那个 bug 已经修好了。尤其——它已经被修好的时候。
