AI 时代软件架构新原则：窄入口、长隧道

AI 编程真正改变的，不是「写出更多代码」而是「写出更好的软件」。在 AI 辅助开发逐渐普及的当下，软件架构的核心矛盾正在发生反转：过去昂贵的实现深度变得几乎免费，过去看似轻巧的耦合却成了最大的隐性成本。这一观点来自一篇在 Hacker News 上引发讨论的工程随笔，作者主张把「隔离」重新放回软件架构的中心位置。

成本的反转：实现变便宜，耦合变昂贵

十八个月前，软件工程的主导成本是实现深度：一个 5000 行的数值优化模块要写数月，评审和维护成本都很高；而一个共享可变字段感觉几乎是「免费的」——一行代码而已。但 AI 改写了这条曲线。

• 一个孤立的子系统，如今基本可以「免费」构建和维护；
• 真正昂贵的，是代码给下一个接触它的实体带来的负担。

人类开发者脑海里隐式维护着一张代码地图，能主动过滤掉与当前改动无关的全局状态；AI 智能体做不到这一点。每一次移动一个按钮，它都要从零重建局部约束——规范、不变量、生命周期边界上调用的含义。代码评审也从「合并时的一道关卡」变成「每次触碰都要付的税」。而耦合决定了这份税的大小：在耦合严重的系统里，改一个按钮，模型就要把整张牵连的网重新加载一遍。

LLM 推理为何「线性」

这一现象源于模型的推理方式。LLM 的推理过程本质上是高度线性的。所谓「大上下文」曾让我们产生错觉——上下文窗口从来不等同于注意力。一个模型可以沿着一条孤立路径无限走下去：A → B → C → D，每一步的信号都清晰且廉价，每一步都把注意力聚焦在下一步上。

但面对有状态的、时序交织的代码网络，模型就会陷入困境：哪个订阅者看见了这个标志？哪个生命周期边界改变了这个调用的语义？哪种状态组合触发了这个 bug？答案藏在系统的某个角落，但本地信号不会告诉你去哪里找。「很多东西可能影响这里，逐个排查」既是一个弱锚点，也是一条昂贵路径。

常见的两种应对——下一代模型变强、测试与脚手架更完善——都被作者视为必要但不充分：

• 更大的上下文、更长的思考、更激进的检索只能买来「缓冲」，不是「免疫」；
• 在耦合严重的代码库上，测试集反而成了「变更守卫」而非「回归守卫」——每次改动都触发一片红。

窄入口、长隧道：让问题保持局部

作者由此得出核心主张：对于主要由 LLM 编写的系统，好的架构只有一个判据——让问题保持局部。他用「窄入口、长隧道」来概括这种形态。

• 窄入口：一个小型、显式的契约，理想情况下是一个纯函数——可见的输入、可见的输出、尽可能少的选项（最好没有）；
• 长隧道：入口之后的一切。系统外部只能看到入口；只要内部是隔离的，里面可以任意复杂。

被严重低估的，是「纯函数」这一武器。把惊人的复杂度封装进一个纯函数，几乎不增加错误空间——错误被边界限定在输入与输出之间。给入口加一个正确性测试和一个性能基准，智能体就可以在沙箱里通宵工作：重构、优化、尝试替代实现、穷举数值边界——每一步都有一个数字告诉它更好还是更差。这正是线性推理器的甜区：有界的错误空间、孤立的深度路径、以及一个可比较的标量。

作者以自研电子表格求解器为例：底层是一条长流水线——依赖图、解析、AST、压缩、打包、解算、解包——几乎每个节点都分叉：标量还是 SIMD、串行还是并行、CPU 还是 GPU、如何分片、缓存策略。最优组合取决于数据形态与硬件特性，且不同技术之间的加速比相互纠缠。这一整套调优工作对人类而言是数月甚至数年的工程量，但对坐在模型之上的编排器而言，它退化为一个梯度下降式的问题，可以直接回归。

之所以能这样做，是因为边界近乎绝对：入口之外的智能体不需要理解内部，内部工作的智能体也不需要依赖外部。

相比之下，连接型系统无法获得这种红利。一个 1 万行的优化模块，只要被封装在一个三参数的纯函数之后，部署瞬间就是廉价的——系统只关心入口是否遵守契约，不在乎隧道有多深。一旦共享状态泄漏到接口之外，毒就会向外蔓延。

这篇文章的边界

需要指出的是，这是一篇工程随笔而非论文，其论断来自作者的实践经验与对模型行为的观察，并未提供量化 benchmark 或系统性实验。对「下一代模型终将解决耦合问题」的反驳、对「测试充分即可」的否定，都建立在定性论述之上。读者可以把它当作一种工作假说——尤其当你正在为 AI 智能体维护一个日益膨胀的代码库时——但不必把它当作已被验证的工程定律。