表面上看，每次你向大语言模型提交提示词，得到的回答总是完整的。但这完整不是你写出来的——是模型补完的。你没说的货币处理规则、你默认的重试语义、那条"人人都知道"的租户隔离约定，模型全都会帮你填上。问题在于：一个语言模型并不知道"人人都知道"的是什么。它能接触到的只有你写的文字和互联网上的海量文本，当这两者产生冲突时，你的沉默站在了互联网那一边。 Delta's Law 4揭示了这个机制：未提供的上下文，就是被发明的上下文。模型并非恶意猜测，它只是忠实地完成补全——只不过是从错误的分布里取样。Veracode在2026年发布的分析报告解释了为什么安全性能在两年间模型层叠出新却毫无改善：模型从公共语料库学习，语料库编码的是历史实践，于是2020年主导的不安全代码模式，依旧主导着2026年旗舰模型的补全结果。你未写明的约束不是简单地缺失，而是被投票出局——被数十亿行平庸代码累积出的先验概率投出了局。 问题不在于写得更多，而在于写对类别的词语。Specification Frame的上下文模块承载了模型无法自行推断的事实：每一条你明确写出的约束，就消灭了一个被发明出来的答案。这套纪律的核心不是冗长——书里最高杠杆的几个约束只有一行字，例如"所有查询必须参数化；禁止将字符串插值拼入SQL"。关键在于覆盖领域关心的全部类别，这也是为什么这本书把框架与各领域的检查清单配套使用，而不是提供一个万能模板。 采用这套纪律的团队报告的结果形状，与2026年的测量数据预测完全一致：模型的原始能力终于兑现了，因为它现在补全的是你的分布，而不是互联网的分布。而不这么做的代价如今已经有了公开标价：佐治亚理工的追踪器显示，可归因于AI的CVE漏洞在三个月内翻了3倍；2026年Verizon数据泄露调查报告将软件漏洞列为头号入侵入口。模型的能力越强，你沉默的成本就越高。
热门跟贴