来源：市场资讯
（来源：图灵人工智能）
您想知道的人工智能干货，第一时间送达
作者：王勃，清华大学硕士，独到科技CTO
原文：
https://zhuanlan.zhihu.com/p/2019985504695768622，已获转载授权
一个 48 年前的「预言」
1978 年，计算机科学的祖师爷之一 Edsger Dijkstra 写了一篇短文，编号 EWD667，标题直白到近乎挑衅：
《论「自然语言编程」的愚蠢》（On the foolishness of "natural language programming"）
他的论点很简单：有人觉得编程太严格了，希望有一天能用自然语言跟计算机说话。
Dijkstra 认为这个愿望不仅不切实际，而且方向就是错的。形式化符号不是程序员的负担，而是特权。
48 年后的 2026 年，大语言模型让自然语言编程真的成了现实。
Karpathy 说自己从去年 12 月起几乎没再亲手敲过代码，Anthropic Claude Code 产品负责人 Cat Wu 撰文指出 PM 的核心产出正在从文档变成可运行的原型，Stripe 每周有 1300 个无人值守的 Agent PR 被合并。
Dijkstra 错了吗？
我带团队用了一年多 AI 编程工具，从最初的阻力到现在全员 Cursor，从 Vibe Coding 的兴奋到 Planned 模式的回归。回头看，我觉得 Dijkstra 对了一半——而且是更重要的那一半。
Dijkstra 到底说了什么
EWD667 全文不长，但论证链条极其锋利。核心是三个观点：
第一，形式化符号是文明进步的引擎，不是累赘。
他用数学史来论证：希腊数学因为停留在口头和图形描述而停滞不前；穆斯林代数短暂尝试符号化后退回修辞风格而消亡；现代科学的崛起，恰恰是因为 Vieta、Descartes、Leibniz、Boole 这些人精心设计了形式化符号系统。
他写道：
形式化文本的美德在于，其操作只需满足少数简单规则；它们是排除各种胡说八道的极其有效的工具——而当我们使用自然语言时，胡说八道几乎不可避免。
第二，自然语言的「自然」本质上是一种危险的舒适。
这是全文最犀利的一句：
所谓自然语言的「自然性」，归根结底，不过是我们能轻松地用它说出那些荒谬性并不显而易见的话。
翻译成大白话：自然语言让你很容易说出自己都没意识到的模糊和矛盾，而且还觉得自己说清楚了。
第三，让接口变宽，不一定减轻负担，可能两边都更累。
他指出，接口设计不是简单的劳动分配。让机器理解自然语言，不只是给机器加活——跨接口的沟通成本也会增加，最终可能双方都更累。他因此主张「窄接口」（narrow interface）：约束越明确，合作越高效。
一年 AI 编程实践的印证
去年我要求团队全面使用 Cursor，原则是不限量、用好模型。
初期有阻力，但很快大家就感受到了效率的飞跃。前端岗位开始大量减少，我们要求前端转全栈。产品经理也开始用 Cursor 写文档、出交互式原型。很多项目一个人就能搞定需求分析加开发。
Vibe Coding 的甜蜜期是真实的：用自然语言描述需求，AI 几分钟就能生成一个能跑的 demo。Demo 效率大增，我们开始接受「不用想很清楚就可以开始」的工作方式，产品和研发一起摸石头过河。
但甜蜜期过后，问题开始浮现——而这些问题，恰恰是 Dijkstra 48 年前预言的。
AI 总是漏需求。 你以为自己说清楚了，AI 也表现得好像理解了，但交付的东西总是差那么几个关键点。本质上就是 Dijkstra 说的：自然语言让你轻松说出荒谬性并不显而易见的话。你的需求描述有模糊地带，你自己都没意识到，AI 就按它的理解填补了空白。
代码没有架构感。 AI 生成的代码能跑，但结构松散，容易被现有代码的风格带偏。因为自然语言描述天然缺乏架构约束——你说「帮我写一个用户管理模块」，这句话里没有任何关于分层、依赖关系、接口设计的形式化信息。
上下文越长越降智。 对话一长，AI 的服从性反而变成问题——它会被之前对话中的错误信息污染，然后在错误的方向上越走越远，最终放弃或者乱试。这就是 Dijkstra 说的「接口变宽，两边都更累」的现代版本。
写码快不代表深思熟虑。 这一点我们团队反复体会到。AI 可以很快写出代码，但速度掩盖了思考的缺失。不推荐所有标榜对编码特化的模型，除非代码用一次就扔。
形式化没有消失，只是换了形态
踩完坑之后，我们的工作流逐渐从 Vibe Coding 回归到了 Planned 模式。一个典型的开发过程变成了：
描述需求
和模型对齐，确认它的理解是正确的
让模型分析细化，排除矛盾
可行性预研，给出备选方案，人来选择
提出测试需求
系统设计和关键算法设计，人来审查
设计测试方案（自动化 + 端到端）
分拆任务，确定验收标准
执行并验收
看到了吗？这个流程的每一步，都是在把自然语言的模糊描述逐步转化为更形式化的约束——spec、测试用例、验收标准、任务分拆。
这不是倒退，这是 Dijkstra 说的「窄接口」思想的现代实践。
今年行业里出现了一个概念叫 Harness Engineering（马具工程/驾驭工程），由 Terraform 的作者 Mitchell Hashimoto 提出。他的核心原则是：每次发现 AI 犯错，就花时间工程化一个机制，让它以后再也不犯这个错。
这个概念的演进路线很清晰：
- 2023-2024：Prompt Engineering
— 怎么跟 AI 说话。本质是优化一次性的自然语言输入。
- 2025：Context Engineering
— 给 AI 看什么信息。不再只盯措辞，而是设计整个信息环境。
- 2026：Harness Engineering
— 构建什么环境让 AI 可靠地工作。验证闭环、架构约束、测试护栏、熵清理。
从 Prompt 到 Context 到 Harness，这条路线的方向是什么？是从自然语言走向形式化约束。
CLAUDE.md、AGENTS.md 这些配置文件，本质上就是写给 AI 的形式化规范。TDD 测试套件就是用代码表达的验收标准。CI/CD 管道就是自动化的质量闸门。
Dijkstra 说「形式化符号是排除胡说八道的工具」。在 AI 时代，这句话变成了：测试和约束是排除 AI 胡说八道的工具。
过去 CI/CD 集成、TDD 这些被认为是昂贵的工程实践，很多团队嫌麻烦不做。但在 AI 编程时代，它们已经从奢侈品变成了必需品。AI 由于实现机制的原因，没有办法保证 100% 稳定不出错，在兜底防御方面投入多少力气都不为过。
AI 真正改变的是什么
说到这里，可能有人觉得我在唱衰 AI 编程。恰恰相反。
Dijkstra 的洞察在 LLM 时代依然成立，但他有一件事没预见到：形式化的生产成本可以被 AI 大幅降低。
以前，写一套完整的测试用例、设计一份严谨的接口规范、维护一份结构化的需求文档——这些形式化工作本身就需要大量人力，所以很多团队干脆不做。代码裸奔、需求口头传递、测试靠手点，这是大多数团队的现实。
现在不一样了。你可以用自然语言描述你想要什么，让 AI 帮你生成测试用例、类型定义、接口文档、验收标准。然后你审核和修正这些形式化产物。
这个变化的意义在于：不是用自然语言替代了形式化，而是用 AI 作为自然语言到形式化的桥梁。
自然语言是好的输入层——它降低了表达意图的门槛。 形式化是必要的验证层——它保证意图被正确执行。 AI 是两者之间的翻译器——它让形式化变得便宜了。
这三层结构，才是 AI 编程真正可持续的工作模式。
我们团队现在的做法是：产品用自然语言写 spec，AI 帮忙转化成结构化需求；开发用自然语言描述功能，AI 生成代码同时生成测试；测试人员用 AI 增强能力，从手工点点点转向编写自动化测试。每个环节，自然语言是入口，形式化是出口，AI 在中间做翻译。
烧 token 的速度直接代表了你的 AI 编程能力——这句话听起来有点夸张，但实际确实如此。对编程工具的驾驭能力和并行工作的能力，直接决定了你烧 token 的速度。别抠省 token，浪费的是你的时间和成长速度。
Dijkstra 如果活在今天
Dijkstra 在 EWD667 的最后写了一句很有意思的话：
我有一种直觉可以让我感到安慰：能用我们的母语编程的机器，无论是荷兰语、英语、美语、法语、德语还是斯瓦希里语——它们既该死地难以制造，也该死地难以使用。
制造这件事，LLM 做到了。但「该死地难以使用」这个预言，某种意义上也成真了——不是难在操作界面上，而是难在如何让自然语言的模糊性不变成系统性的质量问题。
如果 Dijkstra 活在今天，看到我们先用自然语言让 AI 写代码，然后又花大量精力构建测试、约束、验证闭环来确保 AI 不犯错，他大概会说：
「你们终于造出了能听懂自然语言的机器，然后发现还是得用形式化来约束它——这不正是我说的吗？」
写代码变便宜了，但思考没有变便宜。
驾驭 AI 的能力，本质上是构建形式化约束的能力——把模糊的意图变成精确的规则，把不可验证的期望变成可执行的测试，把「我觉得差不多了」变成「测试全部通过」。
这件事，48 年前 Dijkstra 就想明白了。只不过他当年是对着编译器说的，我们今天是对着大语言模型说的。
工具变了，思想没变。
