来源：徽声在线市场资讯

（信息来源：图灵人工智能前沿）

聚焦人工智能领域，为您带来深度技术解析与行业洞察

作者：王勃，清华大学计算机系硕士，独到科技首席技术官

原文链接：

https://zhuanlan.zhihu.com/p/2019985504695768622（已获转载授权）

穿越时空的预言：Dijkstra对自然语言编程的警示

1978年，计算机科学巨匠Edsger Dijkstra发表了编号EWD667的经典论文，其标题《论「自然语言编程」的愚蠢》犹如一记警钟，在AI技术突飞猛进的今天愈发振聋发聩。这位图灵奖得主以惊人的前瞻性指出：试图用自然语言替代形式化编程语言，不仅是技术路径的偏差，更是对计算本质的误解。

《自然语言编程的荒谬性探析》

Dijkstra的核心论点在于：形式化符号系统是人类理性思维的结晶，而非程序员需要摆脱的枷锁。他通过数学史案例揭示：希腊数学因缺乏符号体系停滞千年，穆斯林代数因回归修辞风格而消亡，而现代科学的崛起恰恰始于Vieta等学者构建的形式化系统。

这位荷兰计算机科学家尖锐地指出：自然语言的「自然性」实则是危险的陷阱——它允许我们轻松表达模糊甚至自相矛盾的指令，却浑然不觉其中的逻辑漏洞。这种特性在人机交互场景中会被无限放大，导致系统行为难以预测。

2026年的技术现实：自然语言编程的得与失

随着大语言模型技术的突破，Karpathy等AI先锋已实现「零代码编程」，Anthropic的Claude Code产品使产品经理可直接生成可运行原型，Stripe公司更是每周合并1300个AI生成的代码提交。这些现象似乎印证了自然语言编程的可行性，但实践中的困境却印证了Dijkstra的远见。

AI编程实践中的四大悖论

经过18个月的AI开发工具实践，笔者团队经历了从兴奋到反思的完整周期。初期采用Cursor等工具带来的效率提升，很快被以下问题抵消：

1. 需求传递的失真效应

自然语言描述的需求存在隐性模糊性，AI模型往往会基于错误假设填补空白。例如要求「实现用户管理功能」，AI可能忽略权限分级等关键要素，导致返工率高达40%。

2. 架构设计的退化危机

缺乏形式化约束的代码生成，导致系统架构呈现「意大利面条式」特征。某电商项目中，AI生成的订单处理模块与现有架构存在17处隐性依赖冲突，重构成本激增。

3. 上下文污染的累积效应

长对话场景下，AI模型容易被历史信息误导。在开发智能客服系统时，因前期对话中错误提及的「知识库版本号」，导致AI持续生成基于过时数据的响应逻辑。

4. 速度与质量的永恒矛盾

AI的代码生成速度虽快，但缺乏深度思考。某金融风控模型开发中，AI生成的规则集在压力测试中暴露出32处逻辑漏洞，其中15处源于需求理解的表层化。

形式化思维的现代演绎：从Vibe Coding到Planned Mode

经历挫折后，团队构建了「双轨制」开发流程：

需求转化阶段

• 使用Gherkin语法编写行为驱动开发（BDD）规范
• 通过AI生成测试用例反向验证需求完整性
• 采用决策表明确边界条件

开发实施阶段

• 基于TypeScript接口定义约束代码结构
• 使用AI生成代码后自动插入架构验证钩子
• 实施上下文窗口清理机制防止信息污染

质量保障阶段

• 构建AI测试 oracle进行结果验证
• 采用突变测试评估测试套件有效性
• 实施熵值监控动态调整约束强度

Harness Engineering：AI时代的工程化革命

Terraform创始人Mitchell Hashimoto提出的「马具工程」理念，正在重塑AI开发范式。这一进化路径清晰可见：

2023-2024：Prompt Engineering时代

聚焦指令优化技巧，通过精心设计的提示词引导AI行为，但缺乏系统性约束机制。

2025：Context Engineering时代

开始关注信息环境构建，通过上下文管理、知识图谱等手段减少歧义，但未解决根本的模糊性问题。

2026：Harness Engineering时代

构建完整的约束体系，包括：

• 形式化验证闭环：将需求转化为可执行的断言
• 架构约束机制：通过代码模板强制设计模式
• 测试护栏系统：自动生成边界条件测试用例
• 熵清理流程：定期重置对话上下文防止污染

AI时代的编程本质：形式化思维的重生

Dijkstra的预言在LLM时代获得新的诠释：测试和约束成为排除AI胡说八道的核心工具。CI/CD流水线不再是可选的工程实践，而是必需的质量防线。某团队通过实施「AI代码三重验证」机制（静态分析+动态测试+形式化验证），将缺陷率从12%降至0.7%。

可持续的AI编程范式：三层架构模型

实践证明，以下架构可实现效率与质量的平衡：

1. 自然语言输入层

降低表达门槛，支持非技术人员参与需求定义。某医疗AI项目通过自然语言描述，使医生可直接参与算法设计。

2. AI转化中间层

担任形式化翻译官角色，将模糊需求转化为：

• Swagger接口定义
• PlantUML架构图
• JUnit测试模板
• Docker部署脚本

3. 形式化验证层

构建多重保障机制：

• 类型系统约束
• 契约式设计验证
• 属性基测试
• 变异测试评估

烧token经济学：AI编程能力的量化指标

团队实践显示，token消耗速度与开发能力呈正相关。高效使用者的特征包括：

• 精准的需求表达能力
• 系统的约束设计思维
• 并行化的工作流管理
• 自动化的质量反馈机制

某金融科技团队通过优化这些能力，在保持相同产出的情况下，将API调用成本降低65%，同时将缺陷发现前置到开发阶段。

Dijkstra的现代回响：形式化思维的永恒价值

当AI实现自然语言编程的梦想后，开发者反而需要更深入地掌握形式化方法。这印证了Dijkstra的终极洞察：编程的本质是精确思维的艺术。某自动驾驶团队通过强制要求所有AI生成的代码必须附带形式化规范，将系统可靠性提升了3个数量级。

在AI时代，优秀的开发者需要具备：

• 将业务需求转化为形式化模型的能力
• 设计有效约束防止AI偏差的技能
• 构建自动化验证闭环的工程思维
• 平衡效率与质量的决策智慧

结语：技术演进中的思想传承

从编译器到大语言模型，编程工具发生了革命性变化，但Dijkstra倡导的形式化思维依然是指引方向的灯塔。在享受AI带来的效率提升时，我们更需要警惕自然语言固有的模糊性，通过构建严谨的约束体系，确保技术进步不会以牺牲系统可靠性为代价。这或许是对这位计算机科学先驱最好的纪念方式。