3
0
在硅谷的咖啡馆和奥地利宁静的家庭办公室里，一场关于软件未来的激进实验正在演变成一场悄无声息的灾难。
想象一下：一名开发者坐在屏幕前，没有敲击复杂的逻辑算式，而是像在点餐一样输入一段自然语言：“帮我写一个复杂的分布式任务调度系统，要能处理百万级并发，界面要带有那种赛博朋克般的‘科技氛围感’。”几秒钟内，AI 编织出数千行逻辑缜密、注释清晰的代码。对于外行来说，这简直是普罗米修斯盗来的火种；对于追求极致效率的管理者来说，这标志着“氛围编程”（Vibe Coding）新纪元的开启。
然而，在这层由自然语言和概率预测编织而成的华丽外壳下，底层的结构正在发生某种不可逆的腐烂。
作为智能体 AI（Agentic AI）浪潮的早期推动者，Mario Zechner 和 Armin Ronacher 对此感触最深。这两位身处奥地利的工程师是极具影响力的 AI 代理工具 OpenClaw 的核心开发者，其中 Zechner 更是 OpenClaw 内部代理框架 Pi 的创造者。正因为他们站在浪潮之巅，他们的警告才显得尤为震耳欲聋。
他们提出了一个充满恶意的术语：“氛围废料”（Vibe Slop）。
这个词是“氛围编程”与“AI 废料”（AI Slop）的结合体。所谓的“AI 废料”，是指充斥社交媒体、毫无逻辑且低价值的 AI 生成内容；而“氛围废料”则专指那些看起来功能完备、逻辑通顺，实则缺乏严密设计、难以维护且漏洞百出的 AI 生成代码。这种废料正在以前所未有的速度充斥全球的代码仓库，威胁着支撑现代文明运行的基础设施。
这是一场关于效率幻觉的清算。当代码不再是人类智慧深思熟虑后的结晶，而仅仅是某种概率模型的“氛围”产物时，我们是否正在亲手葬送数字世界的稳定性？
一、 效率的代价：正在崩塌的基础设施与“预支”的稳定性
在软件工程的古典主义时期，每一行代码都承载着确定的逻辑意图。架构师会花费数周时间讨论状态管理、边界条件和资源分配。然而，在“氛围编程”的冲击下，这种严谨性正在迅速让位给“即时交付”。
Mario Zechner 在他位于奥地利的办公室里目睹了这一进程的加速。他指出，现在的软件基础设施正处于一种前所未有的脆弱状态。
“现在的软件基础设施正在崩塌，软件变得比以前容易出 Bug 得多，”Zechner 警告道，“我们可以把这个游戏继续玩上几个月，甚至几年，但最终它会回过头来清算我们（eventually it will catch up to us）。”
这种“崩塌”源于一种深层的方法论危机：从“设计优先”转变为“提示词优先”（Prompt-First）。
在传统的软件架构分析中，每一个系统模块都必须经过压力测试和边界验证。而现在的开发者更倾向于给 AI 一个模糊的描述（Vibe），让它直接吐出成千上万行的成品。这本质上是在向未来“预支”稳定性。短期内，项目负责人的看板上显示生产力激增，但这些 AI 生成的代码往往缺乏对复杂系统状态的深刻理解。
结构性腐盲： AI 擅长模仿公开代码库中的模式，但它无法理解特定业务场景下的潜在冲突。生成的代码可能在 90% 的情况下运行良好，但在涉及竞态条件或极端的资源争抢时，会表现出不可预测的行为。
不可持续的技术债： 传统的技术债通常是人类为了赶进度而留下的“坏味道”，至少人类知道哪里坏。而“氛围废料”带来的技术债是隐形的。当资深工程师不再审查每一行 AI 生成的代码，而是选择“相信它的氛围”时，系统的熵增速度将呈指数级增长。
这种做法就像是用没有钢筋支撑的预制板建造摩天大楼。在晴天（正常运行）时，一切看起来都很完美；一旦遇到风暴（极端负载或安全攻击），整个系统可能会发生灾难性的垮塌。
二、 消失的初级工程师：被切断的人才管道与行业免疫系统的崩溃
在企业管理者的 Excel 表格里，AI 的兴起是一个完美的降本增效故事。Zechner 和 Ronacher 揭示了一个残酷的行业趋势：企业正试图利用 AI 大幅提升资深工程师的产出，并借此裁掉所有的初级工程师（Junior Engineers）。
这种策略在财务上看似精明，在行业生态上却是自杀式的行为。
初级工程师曾被视为软件工程行业的“学徒”。他们通过处理琐碎的 Bug、编写单元测试和重构冗余代码来熟悉系统的肌理。这不仅是产出，更是一种技能的内化过程。如果所有的初级岗位都被 AI 代理取代，行业将面临三个致命的副作用：
人才供给链的彻底干涸： 如果没有人在“战壕”里通过解决简单的错误来建立工程直觉，十年后，我们从哪里获得能够主导复杂架构设计、能够洞察 AI 错误漏洞的资深架构师？
服务中断与安全风险的激增： 现在的资深工程师正被推向一个极高的产出密度。他们被要求审核比以前多出 5 倍甚至 10 倍的代码量。当审查速度跟不上 AI 的生产速度时，质量防线就会全面溃败，直接导致频繁的服务中断和日益增加的安全漏洞。
行业“默会知识”的流失： 软件开发不仅仅是写出可运行的脚本，它涉及大量关于业务上下文、历史选型原因和团队协作模式的隐性知识。AI 无法习得这些知识，而初级工程师在学习这些知识的过程中，实际上是在充当系统的“免疫细胞”。
这种利用 AI 替代初级人才的做法，本质上是在吃掉行业的种子。当那批在“非 AI 时代”成长起来的资深工程师退休或耗尽精力后，留下的将是一个由 AI 代理互相交织、却无人能够真正理解其底层逻辑的数字迷宫。
三、 硅谷巨头的数字幻象：IPO 压力下的效率神话
当我们看向硅谷的巨头时，情况变得更加微妙。
Google 首席执行官 Sundar Pichai 在最近的财报或博文中透露了一个惊人的数字：Google 内部超过 75% 的新代码现在是由 AI 生成的，而就在去年秋天，这个比例还只有 50%。与此同时，Meta 的 Mark Zuckerberg 也做出了大胆预测：到 2026 年底，公司内部的大部分代码产出和评审都将由 AI 完成。
这种激进的数字化转型背后，往往隐藏着强烈的资本驱动。
目前，像 OpenAI 和 Anthropic 这样的顶尖实验室都面临着巨大的 IPO 压力。为了向投资者证明其估值的合理性，他们必须展示 AI 对生产力的这种近乎神迹般的提升。然而，一线开发者给出的反馈却与管理层的乐观叙事大相径庭。
即便是 AI 领域的领跑者，也在其核心工具的可靠性上表现得如履薄冰。OpenAI 的代码生成工具 Codex 团队负责人 Rohan Varma 坦言：
“如果你假设它（AI 生成的代码）开箱即用，那它通常是无法运行的。”
Varma 的观点揭示了巨头们极力掩盖的现实：
数据的水分： Google 宣称的 75% 渗透率中，有多少是重复性的样板文件（Boilerplate）？又有多少是真正决定业务生死的逻辑代码？
最终责任的归属： Varma 强调，即便 Codex 已经进化到可以自动测试网站、检查特定最佳实践并探测安全漏洞，但在处理服务数百万人的关键基础设施时，人类工程师仍然必须承担最终的评审责任。
这种现实与叙事的鸿沟表明，大公司正在玩一场危险的数字游戏。他们为了维持资本市场的信心，正加速将 AI 推入核心开发环节，而将由此产生的风险转嫁给了一线工程师。
四、 “吃自家药”的阵痛：Anthropic 与 Claude Code 的案例研究
Anthropic 公司的 Claude Code 工具，为我们提供了一个观察“氛围废料”如何产生的显微镜。
Anthropic 一直标榜其“狗粮文化”（Dogfooding），即使用自家最先进的 AI 模型来构建自家的内部系统。这种激进的做法本应是 AI 潜力的证明，但在 Zechner 的眼中，这却成了一个反面教材。
Zechner 毫不掩饰他对 Claude Code 的厌恶，称其为他用过的“最烂的软件之一”。他列举了一系列令人费解的工程失误：
界面反馈的灾难： 屏幕上的图形不停闪烁，显示出底层 UI 渲染逻辑的混乱。
功能冗余的堆砌（Feature Creep）： 系统充斥着大量缺乏逻辑关联、看似炫技实则无用的功能。
内存的病态渴求： Zechner 特别提到了该工具对内存的巨大消耗（appetite for memory），这种性能低下的表现通常是过度依赖 AI 堆砌代码、缺乏精细内存管理设计的典型特征。
对此，Anthropic 的 Claude Code 产品主管 Catherine Wu 辩解称，这些问题是团队为了追求极致交付速度而付出的代价。她指出，在过去一年中，Claude Code 的中位用户使用时间已从每天 20 分钟飙升至每周 20 小时。
然而，这种辩解恰恰揭示了“氛围编程”的毒性：为了实现功能的快速发布，开发者选择了无视软件的优雅性、稳定性和资源效率。正如 Timothy B. Lee 所观察到的，Anthropic 拥有全球顶尖的工程师，他们或许能从这一堆“闪烁且贪婪”的代码中通过高超的调试技巧强行交付产品，但如果普通客户的企业也效仿这种模式，得到的只会是不可回收的垃圾。
五、 被遗忘的“默会知识”：AI 的数据黑洞与航道偏离
计算机科学家 Timothy B. Lee 在其通讯《Understanding AI》中提出了一个具有前瞻性的观点：“默会知识”（Tacit Knowledge）的缺失。
这是 AI 编程永远无法逾越的鸿沟。软件开发不仅仅是语言层面的转换，它更是一种关于“背景”的理解。
数据黑洞： AI 的训练数据主要来源于公开的开源代码（如 GitHub）。但大多数企业的核心竞争力在于其私有的、甚至是陈旧的遗留系统。这些系统内部逻辑的“怪癖”、特定的业务补丁和不成文的权宜之计，并未包含在 AI 的学习范畴内。
“暗物质”代码： 许多企业的内部系统就像是数字世界的“暗物质”，它们在公开互联网上是不可见的。当开发者要求 AI 在这类复杂的、具有历史包袱的环境中编写代码时，AI 只能根据通用概率进行猜测。
察觉力的丧失： “这些模型非常容易走错方向，而且必须有人能注意到这一点，”Lee 警示道。
如果一名开发者过于依赖 AI 营造的“功能实现”氛围，而失去了对系统底层细节的察觉力，他将无法发现 AI 正在一本正经地偏离航道。这种察觉力的缺失，正是“氛围废料”能够大规模滋生的温床。
六、 清算时刻：GitHub 上的“死互联网”预演
清算的先兆已经开始在 GitHub 上显现。这个曾经的人类智慧库，正迅速沦为 AI 生成垃圾代码的重灾区。
Mario Zechner 分享了一个极具荒诞色彩的真实案例。在他与 Armin Ronacher 进行这次采访前不久，他不得不从他的一个开源项目中封禁一名（人类）程序员。
原因令人啼笑皆非：该程序员使用的 AI 代理正在疯狂地向 Zechner 的仓库提交大量的虚假错误报告（Bug Reports）。更讽刺的是，由于代理是自动运行的，该程序员本人对此甚至一无所知。
Zechner 摇着头感叹：“我的意思是，我们到底在干什么？（I mean, what are we even doing?）”
这正是“死互联网理论”在编程领域的预演。未来的 GitHub 可能会变成这样一个场所：AI 代理不断生成充满 Bug 的废料，另一群 AI 代理则在不知情的情况下尝试去修复这些废料，从而产生更多的废料。人类则被排除在这个无效的、自噬性的闭环之外。
Zechner 预测，这场数字泡沫的破裂将采取两种形式：
大企业的成本反噬： 随着过度依赖 AI 导致的代码库腐烂，大公司会发现其维护成本和故障处理成本将抵消掉所有所谓的“生产力提升”。
初创公司的集群性倒闭： 那些完全依赖“氛围编程”构建产品的初创公司，在系统复杂度突破 AI 掌控阈值的那一刻，会因为无法处理庞大的技术债务而迅速分崩离析。
