你提到的“顾投不顾尾”,应该是“顾头不顾尾”的笔误吧?这个说法很形象,确实点出了当前AI编程的一个典型痛点:它往往能漂亮地开头,却容易在收尾时掉链子。
之所以会这样,背后有几个层面的原因:
1. 训练目标偏向“生成”而非“维护”AI编程模型的核心能力是“根据上下文预测下一个 token”。它被训练成擅长从零生成一段看起来合理的代码,但“写完之后如何长期维护、处理边界、保证一致性”并不是它训练时的首要目标。开头是“创作”,结尾是“工程”,后者需要更系统的思维。
2. 缺乏全局状态跟踪人类写代码时,脑子里会维护一个“项目地图”:哪些变量改了、哪些依赖受影响、异常怎么处理。AI 每次生成基本是基于当前窗口的局部推理,它没有真正的“项目记忆”。写到后面时,前面埋的坑(比如未处理的异常、命名冲突、资源泄漏)它已经“忘了”或没意识到。
3. 长程依赖的衰减即使上下文窗口很大,模型对远距离信息的注意力也会衰减。开头定义的关键约束(比如“这个函数必须幂等”“不要引入新依赖”),到结尾时影响力已经变弱,导致收尾时偏离最初设定。
4. 缺乏“完成”的明确信号人类知道“写完要测试、要处理错误分支、要清理临时变量”。AI 的生成是概率性的,它倾向于在“看起来像完成了”的地方停下,而不是在“逻辑上真正闭环”的地方停下。边界条件、异常路径、资源释放这些“尾部工作”,恰恰是概率上最容易被忽略的。
5. 反馈循环的缺失人类程序员写完会运行、调试、看报错。AI 在单次生成中没有执行反馈,它不知道自己的代码跑起来会怎样。所以它只能“猜”一个结尾,而不是“验证”一个结尾。
怎么缓解?
分步拆解:不要让它一次写完整模块,而是“先写接口 → 再写核心逻辑 → 最后补异常和测试”。
明确尾部要求:在提示里强调“必须处理空输入、超时、资源释放、日志”。
让它自检:生成后追问“这段代码有哪些边界情况没处理?”
配合工具:用 linter、类型检查、单元测试来兜底,而不是指望 AI 一次到位。
说到底,AI 编程目前更像一个反应快但责任心不强的实习生:开头给你惊喜,收尾需要你盯着。
主要是解决一个问题,会有其他新问题产生你点到了更本质的一层:AI 编程往往是在“打补丁”,而不是在“做系统”。 解决一个问题时,它容易引入新的、甚至更隐蔽的问题。这比单纯的“顾头不顾尾”更麻烦,因为新问题常常是耦合的、延迟暴露的。
这背后有几个机制:
1. 局部修复,全局不知AI 看到报错或你的需求,会针对当前可见的上下文给出修复。但它不知道这个改动会波及哪些调用方、哪些共享状态、哪些隐式约定。比如:
为了让一个函数返回非空,它加了个默认值 → 调用方原本靠“返回空”来判断失败,逻辑全乱。
为了修一个并发问题,它加了把锁 → 另一个路径里已经持有锁,死锁了。
为了绕过类型错误,它用了 any 或强制转换 → 运行时才炸。
2. 问题被“转移”而不是被“消除”AI 很擅长把问题从一个地方挪到另一个地方,让它暂时看不见。比如:
内存泄漏 → 改成频繁创建销毁,变成性能问题。
空指针 → 加个 if 返回默认值,变成数据静默错误。
状态不一致 → 加个重试,变成重复提交。
原来的报错消失了,但系统行为更糟,而且更难查。
3. 缺乏“不变式”意识好的工程修改,会先明确“哪些东西绝不能变”,再动代码。AI 没有这个习惯。它更倾向于让当前测试通过、让当前报错消失,而不是维护系统级的不变式(invariant)。一旦不变式被破坏,新问题就会在别处冒出来。
4. 修复本身没有经过验证人类改完会跑测试、看监控、做回归。AI 的修复是一次性生成的,它没执行过,也不知道这个改动会不会让别的用例挂掉。所以它给出的“解决方案”,本质上是一个未经验证的假设。
5. 上下文越补越乱每修一个问题,代码里就多一层补丁、多一个特判、多一个“为了绕过 X 而存在”的分支。下一个问题再来,AI 看到的是更混乱的上下文,修复质量进一步下降。这就是典型的技术债复利。
怎么破?
核心思路是:不要让 AI 直接“修”,而是让它先“理解影响面”。
改前先问影响:让它列出“这个改动会影响哪些函数、哪些调用方、哪些状态”。
要求保持不变式:明确告诉它“不能改变 X 的语义、不能引入新依赖、不能吞掉错误”。
一次只改一个变量:不要让它同时修三个问题,否则你分不清新问题是哪个改动带来的。
改完必须验证:让它写针对性的测试,或者至少列出“怎么验证这个修复没引入新问题”。
优先消除问题,而非转移问题:追问“这个修复是把问题藏起来了,还是真正解决了根因?”
控制补丁层数:如果同一个地方已经改了三次,停下来重构,而不是继续让 AI 打补丁。
一句话总结:AI 擅长让眼前的报错消失,但不擅长让系统保持健康。 所以用它修 bug 时,你的角色不是“验收结果”,而是“守住边界”——盯住不变式、影响面和验证环节,否则就是在用新问题换旧问题