刘道玉 AI 工作坊
随笔 研究 专题 工作坊 关于 RSS

AI 编程正在制造架构债——怎么还?

2026-08-14

AI 编程正在制造架构债——怎么还?

用 AI 写代码这事儿,用过的人都有体感:快,真的快。一个功能从想法到能跑,可能就半小时。

但快有快的代价。AI 不在乎你的架构——它只在乎这段代码能不能跑通。时间一长,项目里堆满了”能跑但歪歪扭扭”的代码。模块边界模糊、接口随意、重复实现遍地开花。这就是架构设计负债化:代码在快速增长,但架构设计在持续腐烂。

这不是 “AI 写的代码质量差” 那么简单。真正的风险在于:AI 编程天然缺少一种约束机制,让代码在增长过程中保持结构一致性。

下面是我摸索出来的四套机制,外加把它们串成一个大循环的实践方案。


问题到底出在哪

先说清楚症状。

AI 编程工具(Copilot、Cursor、Claude Code 等)的优化目标是”当前任务的代码正确率”。它不会去想:

  • 这个新函数跟已有模块有没有职责重叠
  • 这个接口设计跟系统其他地方的风格是否一致
  • 加了这层抽象之后,三周后会不会变成维护噩梦

人写代码的时候,这些考量是内嵌在思考过程中的——因为你脑子里有整个系统的上下文。AI 没有。每次对话都是一次 “从零开始理解你的项目” 的尝试,它做的局部决策,放到全局视角下往往是不优的。

结果就是:代码量涨得越快,架构债累积得越快。技术债有利息,架构债的利息更高——它会让你未来每一次改动都更难。


机制一:循环验证

核心想法:不要让 AI 一次性写完就收工。写完之后,立即让它验证自己的输出。

具体怎么做?

1
2
3
需求分析 → 架构方案 → 代码实现 → 验证检查
↑ |
└────────── 反馈修正 ←───────────────┘

这个循环的关键不在于 “跑测试”(那太基础了),而在于让 AI 回到架构层面审查自己的实现:

  1. 实现前:先让 AI 输出架构方案——模块怎么分、接口怎么定义、数据怎么流转。人确认后再写代码。
  2. 实现后:把完整代码再喂给 AI(或者另一个 AI 实例),让它对照架构方案检查:有没有偏离方案?有没有遗漏的边界情况?接口是否跟方案一致?
  3. 发现问题:直接修正,或者把问题记录下来进下一轮迭代。

这不是什么新概念——本质上就是 Code Review 的 AI 版。但关键是形成习惯。每次 AI 给你一段代码,别直接复制粘贴,先过一轮验证。

实测下来,这一步能拦住 60-70% 的架构偏移。代价是多花 2-3 分钟,收益是省掉后面几小时的返工。


机制二:架构审计

循环验证解决的是 “单次实现” 的问题。但架构债是个慢性病——它是在无数次 “看起来没问题” 的小改动中慢慢累积的。

所以需要一个定期审计机制。

做法很简单:每隔一段时间(我建议每周或每个迭代周期),把项目的核心结构梳理一遍。不是逐行 review,而是从宏观角度检查:

  • 模块职责:每个模块是否还是 “做一件事”?有没有职责膨胀?
  • 依赖关系:模块之间的依赖是否合理?有没有出现循环依赖?
  • 接口一致性:API 风格是否统一?有没有同一个功能出现两套接口?
  • 抽象层次:抽象是否还匹配当前复杂度?有没有过度设计或者设计不足?

谁来审计?AI 自己来。把项目结构喂给 AI,让它输出一份审计报告。关键是要给 AI 足够的上下文——不只是文件树,还要包括核心模块的职责描述、设计意图、已知的技术决策。

审计的输出不是 “你有 N 个问题” 的清单,而是一份带优先级的行动建议:哪些需要立刻处理,哪些可以排进下个迭代,哪些标记为 “观察中”。


机制三:代码诊断

审计看宏观,诊断看微观。

架构债的另一个来源是代码层面的暗病:重复逻辑、过度耦合、遗漏的错误处理、不合理的抽象。这些问题单独看都不大,但积累到一定程度就会让整个模块变得不可维护。

代码诊断的做法:

  1. 静态分析:用 ESLint、SonarQube、CodeClimate 之类的工具跑一遍,拿到基础指标。
  2. AI 诊断:把静态分析的输出 + 关键模块代码,喂给 AI 做深度分析。让它找出:
    • 潜在的设计模式滥用
    • 重复代码块(即使变量名不同)
    • 不合理的耦合点
    • 缺失的边界处理
  3. 输出诊断卡:每个问题一张卡,包含问题描述、影响范围、修复建议、优先级。

这里有个技巧:让 AI 诊断时,不要只看单个文件。给它一个模块的完整代码,让它分析模块内部的结构问题。单文件视角太窄,发现不了跨文件的设计问题。


机制四:TODO 列表 + 定时检查

前三套机制都会产生 “待修复项”。如果没有追踪机制,这些待修复项就会石沉大海,架构债还是在涨。

做法:

  • 维护一个活的技术债务 TODO 列表。每个条目包含:问题描述、来源(验证/审计/诊断)、严重程度、预估修复成本。
  • 设定定时检查。每天或每两天过一遍列表,确认:
    • 有没有新条目需要加入
    • 有没有条目已经过时(问题被其他改动间接修复了)
    • 哪些条目应该排进本周的工作计划
  • 给 AI 配一个提醒角色。通过定时任务让 AI 定期扫描代码库,对比 TODO 列表,提醒哪些债该还了。

这个机制的关键是 **”活”**——列表必须跟代码同步更新。一个过时的 TODO 列表比没有列表更危险,因为它给人 “已经在管理了” 的错觉。


大循环:四套机制怎么串起来

单看每套机制,都不复杂。真正的价值在于把它们串成一个持续运转的循环:

graph TB
    A[需求输入] --> B[循环验证]
    B -->|实现过程中| B1[架构方案审查]
    B -->|实现完成后| B2[代码 vs 方案对照]
    B2 --> C[架构审计]
    C -->|宏观检查| C1[模块职责/依赖/接口]
    C1 --> D[代码诊断]
    D -->|微观分析| D1[重复/耦合/遗漏]
    D1 --> E[TODO 列表]
    E -->|定时检查| F[纳入下轮迭代]
    F -->|反馈到| A

    style B fill:#ffd700
    style C fill:#87ceeb
    style D fill:#90ee90
    style E fill:#ffb6c1
    style F fill:#dda0dd

说人话就是:

  1. 写代码时,循环验证管住 “别跑偏”
  2. 定期回头看,架构审计管住 “别烂掉”
  3. 深入看细节,代码诊断管住 “别留暗病”
  4. 所有问题进列表,TODO + 定时检查管住 “别忘记”
  5. 列表驱动下一轮开发,形成闭环

这个循环不是线性的(先做 A 再做 B 再做 C),而是同时在转的。验证是每次写代码都在做,审计是每周做一次,诊断是按需做,TODO 检查是每天快速过一遍。

四个轮子一起转,架构债就被控制在一个可管理的范围内。不是消除——技术债永远存在——而是让它处在 “你能还得起” 的状态。


一些实操经验

别追求完美。这套机制的目标不是 “零架构债”,而是 “架构债可控”。就像个人理财——你不可能零负债,但你需要确保每月还得起。

前期投入会比较大。前 2-3 个迭代会觉得 “这些检查太慢了,直接写代码多快”。但一旦架构债累积到影响开发效率,你会后悔没早做。通常 4-6 周后,这套机制会变成肌肉记忆,额外开销很小。

AI 审计的 prompt 很关键。泛泛地问 “这个项目有什么架构问题”,得到的回答通常是废话。需要给 AI 具体的检查清单和上下文。比如:

“这是项目的模块结构。请检查:1) 模块 A 和模块 B 是否有职责重叠;2) 接口层的风格是否统一(命名规范、参数模式、返回格式);3) 是否存在循环依赖。”

TODO 列表需要定期清理。超过 2 周没动的条目,要么排进计划,要么删掉。留着只会让列表越来越长,最终变成 “再也不看” 的死列表。


小结

AI 编程工具让代码生产速度提升了一个量级,但架构设计能力没有跟着提升。这个剪刀差就是架构债的来源。

解法不是 “少用 AI”,也不是 “让人审查每行代码”——前者放弃效率,后者不可扩展。解法是建立一套机制,让架构质量在代码增长过程中自动受到约束。

循环验证 → 架构审计 → 代码诊断 → TODO 追踪,四套机制形成大循环。简单,可执行,不需要额外工具链。关键是养成习惯,持续运转。

架构债跟技术债一样:越早还,利息越低。

  • AI编程
  • 架构设计
  • 技术债务
  • Agent工程
  • 工程实践
相关文章推荐
  • 基于图谱的记忆与图像思考的一点实践(一) #AI编程
  • Vibe Coding 里最危险的不是 Bug,是那些"没人决策过的默认" #AI编程
  • Cursor vs Windsurf vs Copilot:Vibe Coding 工具实测 #AI编程
  • 规格驱动开发:AI 时代的软件工程新范式 #AI编程
  • Vibe Coding 时代,真正重要的能力是什么 #AI编程
OpenAgents 项目深度分析报告
OpenClaw Skill 每日推荐 - 浏览器自动化
订阅 · 外部站点 · 行业资料 · 全部文章
© 2026 刘道玉 AI 工作坊
京ICP备16032693号