有趣的事

AI 生成的代码为什么能运行却不一定好维护?

代码“能运行”通常只说明它在某个输入、某种环境和一条执行路径上得到了预期结果;可维护性关心的则是需求变化、异常输入、依赖升级或交接给别人时,能否低成本、安全地修改。两者不是一回事。

生成式模型往往根据上下文给出局部上看合理的实现,但它未必掌握项目里未写明的约定:模块边界、历史兼容要求、错误处理方式、数据不变量和部署环境。于是代码可能通过一个示例,却把规则重复写在多处;用含糊的变量名或过长的函数隐藏职责;吞掉异常、遗漏边界条件;或者依赖某个库版本和隐含配置。等规则改变,维护者就难以判断改动影响范围。

可以用一个具体情形理解:订单逻辑目前只处理“正常付款”。如果代码把校验、库存扣减、通知和状态更新挤在一个函数里,正常路径能跑,但后来增加退款、重复回调或库存不足时,很难分别验证失败与重试行为。把关键规则表达清楚、把副作用和业务判断分开,并明确失败时的状态,通常比单纯压缩代码更利于演进;不过也不必为了抽象而抽象,小规模且稳定的逻辑保持直白反而更好。

因此,评估 AI 代码不应止于“跑通”:要检查需求是否完整、边界和错误路径是否处理、命名与结构是否让意图可见、是否遵守项目既有风格,以及修改一处规则时影响是否可预测。测试能验证已覆盖的行为,但不能自动证明设计清晰;代码审查、静态检查和必要的重构仍有价值。把 AI 当作起草和探索工具,让熟悉业务的人负责确认约束与长期结构,才更容易同时得到可运行、可维护的代码。

相关阅读