凌晨两点，你盯着一段分页逻辑发愁。代码跑通了，但没人知道为什么用游标而非偏移量。Git记录写着"修复分页"，再往前是"实现分页"——考古到此结束。

这是AI编程的隐藏成本：知识链断裂。原作者没留下痕迹，后来者也找不到来路。

打开网易新闻 查看精彩图片

一个开发者的反击

作者用Claude Code做了个实验。输入poc.py trace src/utils/paginator.py，30秒后得到一张溯源图：

【高置信度来源】GitHub用户@tannerlinsley的游标分页讨论，链接直达。核心洞察：实时更新场景下游标优于偏移量。

【知识缺口】错误重试策略、并发写入处理——AI自行决定，无人工来源。

关键发现：bug就藏在"无人工来源"那部分。AI做了选择，但没人审查。

这个工具叫proof-of-contribution，定位不是强制规范，而是考古优先。

为什么溯源比注释更重要

传统做法是在文件顶部加注释，说明参考了某篇Stack Overflow答案。问题是：没人读。

新方案是结构化、可查询、可执行的记录，与代码并存。每次AI生成代码时，Claude自动附加"贡献证明块"：

——灵感来源（具体讨论、RFC、个人博客）
——AI合成部分（明确标注无人工来源）
——置信度评级

这让两个群体受益：用代码的人知道该信什么，产知识的人知道自己的工作被看见。

被忽视的激励坍塌

作者提到一个没人测量的成本：贡献者消失。

2019年，有人在Stack Overflow花一周调试，写下并发写入失败的完整分析。AI吸收了它，新代码里没有任何引用。原作者收不到信号，下次遇到类似问题，还会不会写？

GitHub讨论区同理。两小时的深度技术辩论，被AI总结成一行实现，原帖沉入海底。维护详细讨论的动力，在规模化中逐渐蒸发。

这不是哲学层面的" nothing"，是具体的引用缺失、溯源不能、反馈归零。

技术债的新形态

AI加速编码的同时，也在制造新型债务：不可审计的决策。

作者的工具暴露了一个模式——AI倾向于"合理但未经核实"的选择。并发处理策略看起来对，但没有人类验证过边界条件。六个月后，这就是生产事故的温床。

溯源机制的价值在于：把"AI自行决定"转化为"待审查清单"。不是阻止使用AI，而是明确风险所在。

数据收束

这个实验目前仍是个人项目，但指向一个可量化的趋势：GitHub 2024年报告显示，AI辅助编码已覆盖全球46%的代码提交，而代码注释率下降至2018年以来最低。知识沉淀速度与代码产出速度之间的剪刀差，正在扩大。

工具本身或许不会成为主流，但它提出的追问会留下来——当AI成为主要生产者，我们用什么机制保证人类知识的连续性？