最近AI Coding烧掉了很多旗舰模型的Token，有一些项目做得好，一些项目做得很有挫败感。我总结了一下成功项目的特点，记录的同时也给自己一些提醒。
1. 架构先行
- 人要比AI对系统架构有更多的Context，当然这个架构可以是和AI聊出来的。架构不清楚的项目天花板往往非常低，最后AI改不动了，人也改不动了。
- 对架构投入更长的时间，对大型系统来说，AI重构的成本依然非常高。传统软件研发的项目的时间分布是：1/3 规划、1/6 编码、1/4 组件测试、1/4 系统测试。架构和验证比Coding更为重要。
- 好的架构是简单的，能把复杂度收敛到局部。
2. 可验证
- 在系统层面：每个模块应该都是可独立验证的。软件工程里说的高内聚低耦合、TDD等在AI Coding的时代更重要。
- 在系统之外：系统的能力或者稳定性有一些通用的标准来验证。例如用每天新增的安全事件来验证安全系统的能力，用每日用户活跃度的变化来验证AI Coding 带来的收益。
3. 找到真正的价值
- 代码是负债：AI Coding很火热，硅谷工程师们以每天消耗的Token数量为荣。一位荷兰的老哥在改革开放的时候就说过：“如果要数代码行数，应该把它记成「花掉的行数」而不是「产出的行数」，要把行数记到账本的负债侧”。为用户解决了什么需求，带来了什么独到的价值。
我在有一些地方做得好，有一些地方还需要提升。神龙漏洞库我觉得是一个好的例子。
神龙漏洞库抓取到网络上漏洞之后，会用一条一条到管线，通过大模型处理入库，之后收取少量的费用或者嵌入少量的广告分享给没有全世界的安全研究者（没错我们收到了来自很多海外的流量，也有海外的安全研究者和我们做邮件的交流）。
软件行业繁荣的一个底层经济学原理是一次编写，分发成本几乎为0。把模型产出的Token留存下来做分发，似乎也是一个不错的主意 ^_^.
#自己的博客要自己写✍️
