AI作为最好混乱放大器代码熵管理实战详解

一个值得警惕的发现

起初，事情似乎并不对劲——OpenAI 专注于“如何驾驭AI”的研究团队，在实验初期就遭遇了一个棘手的挑战。

AI智能体在编写代码时，会不折不扣地复制仓库中已经存在的模式。即使是糟糕的模式也不例外。

举例来说，如果仓库中存在一个手写的辅助函数，AI会原样再复制一个；如果错误处理方式缺乏一致性，AI会延续这种不一致；如果某个文件的代码行数已经累积到1000行，AI会理所当然地认为文件就该如此庞大。

AI缺乏判断模式优劣的能力——它无法区分哪些是“良好实践”，哪些是“历史遗留的坏习惯”。在它眼中，仓库中存在的任何模式都是“正确的”。

这就是代码熵的体现——代码库的混乱程度会随着时间自然增长，而AI恰恰是这种混乱最好的放大器。

OpenAI 的初步尝试与失败教训

最初，团队尝试了传统方法：每周投入20%的时间手动清理“AI残留”——包括重复代码、不一致的错误处理逻辑以及过时的文档。结果如何？

• 耗费20%的时间用于清理 → 生产力直接下降20%
• 手动清理的速度始终追不上AI的生成速度
• 人类会疲劳、会遗漏、会感到厌烦

从本质上讲，这依然是传统软件工程中的技术债务问题，只不过被AI加速了十倍。

垃圾回收机制：一个恰当的类比

OpenAI最终找到的解决方案，借助了一个极其精准的类比——垃圾回收（Garbage Collection）。

在编程语言领域，GC并非等待内存耗尽才一次性清理，而是通过持续、小颗粒、自动的方式回收。技术债务的管理也应遵循同样的理念：

❌ 传统模式：累积6个月 → 一个月的大型重构冲刺 → 再累积6个月 → ...
✅ Harness模式：每天进行小额偿还 → 持续清理 → 债务永不累积

具体实施：规则编码与自动化流程

第一步：将“黄金规则”编码到仓库中

OpenAI定义了几条黄金规则（本质上是一组带有主观判断的机械规则）：

1. 优先使用共享工具包，而非手写辅助函数 — 将不变式集中管理
2. 禁止YOLO探测 — 不基于猜测访问数据，必须提供类型或验证保障
3. 优先采用自有实现的关键子集 — 与其封装复杂的第三方库，不如构建一个简单可控的自有实现

请注意，这些并非写在文档中的“建议”——它们是被编码为lint规则和结构测试的可执行约束。

第二步：建立自动化清理流程

定期运行后台Codex任务 → 扫描整个代码仓库 → 检测偏差 → 更新质量评分 → 发起重构PR → 大多数情况下1分钟内审查并自动合并。

简而言之，这是让AI来清理AI自身留下的混乱产物。

第三步：构建自我纠正的循环

人类审查发现不良模式 → 更新黄金规则文档 → 将其转化为lint规则 → 自动应用于所有代码 → doc-gardening智能体扫描文档一致性。

一旦人类发现的不良模式被编码为规则，后续的代码生成将自动遵循——无需每次都依赖人工监督。

Claude Code源码揭示的熵管理原则

张汉东在《驾驭工程》（马书）中从Claude Code源码提炼了几条与熵管理直接相关的原则，值得深入探讨。

“三行重复代码优于过早抽象”

这听起来有些反直觉——我们不是一直在追求DRY（不重复）原则吗？

但在AI编码的世界中，过早抽象比适度重复具有更大的危险。原因非常实际：

• AI理解“三行重复代码”远比理解“一个通用抽象层”容易
• 抽象一旦出现缺陷，影响将波及所有调用方
• 重复代码可以通过lint检测和批量重构来清理；而抽象错误则需要深入理解才能被发现和修正

“不要为你未修改的代码添加文档注释”

这里基于Claude Code的行为总结出一个实用习惯：AI存在一种倾向——顺手“优化”它经过的代码，添加注释、增加类型、重构命名。表面上看是好事，但实际上增加了diff的噪声，使代码审查变得困难，还可能引入意外的变更。

这条原则本质上就是范围管理：只修改应修改的部分，不要越界干预。

不同场景下的熵管理策略对比

个人开发者的最小化熵管理方案

你不需要具备OpenAI级别的基础设施。一套简单的方案就能起到显著效果。

每周一次“园艺时间”（15分钟）

1. 查看AI本周改动的diff
2. 是否存在重复代码？→ 将其提炼为共享函数
3. 是否存在不一致的模式？→ 添加lint规则
4. 是否有过时的文档？→ 及时更新
5. 新发现的不良模式？→ 添加到黄金规则中

自动化的最低要求

• 类型检查 — 防止数据结构产生漂移
• 基础lint — 维持代码风格的一致性
• 测试覆盖率检查 — 确保不遗漏任何功能点

这三项工具只需配置一次，便能长期受益。它们是最经济且最高效的“熵传感器”。

总结与展望

很多团队从未认真思考过这个问题。AI编写代码的项目交付效率大约是人类的10倍，同时制造技术债务的速度也大致相同——毕竟AI一天可以修改数百个文件，而人类一天仅能审查几个。如果不进行熵管理，代码库终将崩溃。

好消息是：熵管理本身也可以实现自动化。让AI来清理AI遗留的混乱——这是驾驭工程（即驭缰工程）中最实用的自循环机制之一。