当代码不再稀缺：大型工程里的 AI，缺的是「确定性」而不是代码量

AI 写代码的速度越来越快，但「敢不敢合并」的犹豫却一点没少。哔哩哔哩技术专家张忻正即将在 QCon 上海站分享的一个观点，戳中了当下 AI Coding 的集体痛点：AI 大幅降低了代码生成成本，却没有同步降低「正确性交付」的成本。

一分钟速览

• 2026 QCon 全球软件开发大会上海站将于 10 月 22—24 日举办，聚焦「Harness AI」时代的工程实践；
• 张忻正分享主题《当代码不再稀缺：大型工程 AI 狂欢下的确定性底座》；
• 核心观点：在大型工程里，模型是「能力放大器」，基础扎实处被放大，缺失的约束、验证、定位能力同样被放大；
• AI Coding 落地最关键的四个底座：约束、定位、验证、度量；
• 度量指标从「代码量、Token、采纳率」回归到一个更本质的问题——AI 写出来的代码，我们敢不敢合并。

为什么大型工程的 AI Coding 容易「失速」

在个人项目或小团队里，AI 辅助编程往往立竿见影；但一旦进入大型工程，情况就变了。张忻正给出的判断是：AI 是能力放大器，而不是工程能力补全器。工程基础扎实的地方，效率会被成倍放大；反过来，缺失的约束、验证和定位能力，也会被同步放大——代码是写出来了，但能不能用、会不会埋雷，成了新的瓶颈。

他还点出一个「Harness 快速腐化」的问题：很多团队搭建的 AI 工程脚手架，一开始好用，但随着项目复杂度上升，局部有效的经验难以跨团队、跨技术栈复制，最终陷入不断堆 Harness 的低效循环。这也解释了为什么一些团队在 AI Coding 上「越用越累」——工具在放大产出，却没有同步放大交付的确定性。

四个底座：约束、定位、验证、度量

张忻正给出的解法，是把 AI Coding 落地拆成四件事。第一是「约束」：把架构规则从文档变成机器可执行的检查，让 Codegen、强类型、构建系统去承载工程事实，减少平行文档，让代码和工具成为唯一事实来源。第二是「定位」：从「往上下文里塞满信息」，转向利用工程关系精准定位上下文。第三是「验证」：从「生成代码」转向「提供交付证据」，用自动化验证给出确定性。第四是「度量」：从「代码量、Token、采纳率」这些过程指标，回归到「敢不敢合并」这个核心问题。

这套思路背后，是一个从「让 AI 写得更多」到「让团队敢于合并」的范式转变——AI Coding 的工程目标，不该是生成效率，而是最终交付的确定性。张忻正此前是 FFmpeg Contributor、IJKPlayer 维护者，深耕跨平台技术，他的分享也将复盘大型团队 AI 工程化中的真实取舍：哪些建设值得持续投入，哪些方案已经验证失败、需要止损。

当代码本身不再稀缺，稀缺的反而变成了「确定性」。这或许才是 AI 时代工程能力真正的分水岭——谁能把「AI 生成的代码」变成「敢上生产的代码」，谁才能真正吃到这波 AI Coding 的红利。