Files
Obsidian/CSDN等国内/AI 编程是一种“框架” Piglei.md
T
coco 8b94d76799 a
2026-07-21 13:57:15 +08:00

115 lines
9.3 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
title: "AI 编程是一种“框架” | Piglei"
source: "https://www.piglei.com/articles/ai-programming-is-a-new-framework/"
author:
- "[[piglei,piglei2007@gmail.com]]"
published:
created: 2026-03-07
description: "piglei 的 blog"
tags:
- "clippings"
---
![](https://www.piglei.com/static/uploaded/2026/02/framework_vs_library_fruits_w1280.jpg)
使用 AI 类编程工具越多,我便越来越强烈地感觉到:AI 编程是一种“框架(Framework)”。
框架是每位程序员的老朋友,它通常针对特定领域所设计,能极大提升编码效率。以 REST API 服务为例,一些成熟的框架(比如 [Django REST Framework](https://www.django-rest-framework.org/) )能做到仅需定义 [数据模型和视图类](https://www.django-rest-framework.org/api-guide/viewsets/#modelviewset) ,便生成一套功能完备的 CRUD API 服务。
AI 编程工具和传统框架一样,都是一种“杠杆”,它们允许人们用少量输入撬动庞大的功能。二者区别仅在于输入类型不同,框架需要代码(或配置),而 AI 仅需一句简单的自然语言提示词—— *“写一个书店网站”* 。
### 框架的问题
作为一种新型框架,“AI 编程”所带来的便利性,足以把人类从前发明过的任何一种框架按在地上摩擦,但是,框架天生所具备的问题并未消失。
#### 1\. 抽象泄露
所有框架都有一个共性,它们提供了极高级的抽象,以降低实现特定功能所需的工作量。比如,Django 的 ORM 提供了“数据模型”这层抽象,免去了手写 SQL 语言、设计数据校验等繁重工作。
但不幸的是, [抽象都会泄露](https://en.wikipedia.org/wiki/Leaky_abstraction) 。
一名 Django 初学者编写的网站上线后,客户投诉爆表,因为列表页加载极为缓慢。此时,打开数据库监控面板,他会发现这个看似简单的页面,每访问一次就会发起 400 次数据库查询。要解决该问题,他必须弄脏双手,撕开 ORM 这个抽象层,弄懂“属性如何被加载?”,搞清楚“N+1 问题”的真相。
而使用 AI 编程工具,“抽象泄露”则发生在我们不得不抛弃轻松的自然语言提示词—— *“实现 XXX 功能”* ,转而说出 *“你对 items 变量的状态转换的理解不对”* 的时刻。
毋庸讳言,现阶段的 AI 仍存在智能瓶颈。当自然语言无法驱动 AI 准确完成工作时,打破抽象,打开已布满灰尘的 IDE,用精确到变量名的提示词帮 AI 找到根因,是我们的唯一选择。
#### 2\. 丧失控制权
世上实现代码复用的所有模式,大致可被分为两种: **框架(framework)和库(library)。**
要区分一个东西是框架还是库,关键在于找到 *“谁控制着程序的整体结构?”* 这个问题的答案。使用框架,控制权牢牢掌握在框架手中,你所编写的程序,是镶嵌在伟岸的框架程序中的一部分。这有点像是去完成一副卡通图,所有元素都已用浅灰色线条勾边,你只负责给不同部位涂上不同颜色。
而使用库,控制权则仍掌握在你手里。你负责调配和使用不同的库,来搭建起整个程序。这像是玩积木,手边有千千万万个积木和模组,你负责把它们组装成想要的样子。
丧失控制权会带来哪些危害?这主要体现在可修改性上。
使用框架时,当程序需要定制一项功能,由于缺少控制权,工作的开展依赖于框架其是否支持该自定义选项。如果支持,那么整个过程会像热刀切开黄油一样丝滑。但假若框架并不支持,那么很不幸,你极可能在一个简单需求上花掉成吨时间。
平心而论,在“控制权”维度上,AI 编程还称不上天生属于“框架”还是“库”。但不可否认的是,当下最流行的一种趋势就是把它当成框架来使用。比如在 Vibe Coding 时,人类仅负责提供模糊的自然语言提示词,毫不关心程序的入出口与整体结构,一切由 AI Agent 这个框架所掌控。
### 认知成本:DRF 的启示
为何人们倾向于将 AI 当成框架?这是个有趣的问题。
我认为答案的关键在于一个词:认知成本。框架与生俱来的特质,给了我们一种暗示: **你可以用最低的认知成本实现最复杂的功能。** 而人类生来就爱“省力”,少动脑而完成更多,是我们与生俱来追求的目标。
拿 DRF(Django REST Framework) 来举例。在 DRF 框架中,为一类数据模型实现一套 CRUD API,只需编写以下 4 行代码:
```python
class AccountViewSet(viewsets.ModelViewSet):
queryset = Account.objects.all()
serializer_class = AccountSerializer
permission_classes = [IsAccountAdminOrReadOnly]
```
一个 class,三个属性,极低的认知成本,全套 RESTful API,怎么看这都是一门极其划算的生意。
但是,正如前面所提到的,框架的便利性是一把双刃剑,伴随框架出现的“抽象泄露”和“控制权丧失”问题不可避免。
做个假设,现在我们需要调整 API,让 create 方法返回不同的响应体,为 list 方法增加额外的过滤条件,基于以上代码该怎么做?答案是,先重写包含 `get_queryset` 在内的多个方法,再用一批 if/else 补丁将整个 ModelViewSet 爆改到面目全非。
既然如此,有没有更好的办法?答案是肯定的,我们完全可以弃用高级的 `ModelViewSet` ,仅采用不附带任何魔法的 `ViewSet` ,完全基于模块的组合来实现相同功能。
```python
class AccountViewSet(viewsets.ViewSet):
permission_classes = [IsAccountAdminOrReadOnly]
def list(self, request):
# 针对 list 的特殊过滤逻辑
qs = Accounts.objects.filter(...)
serializer = AccountSerializer(qs, many=True)
return Response(serializer.data)
def create(self, request):
# 针对 create 的特殊响应结构
serializer = AccountForCreationSerializer(obj)
return Response(AccountForCreationSerializer(obj).data)
```
相比起来,新方案最直观的变化是代码量变多了,也显得更加啰嗦,但更大的改变其实发生在“认知成本”层面上。
在 `ModelViewSet` 版代码里,认知成本表面上很低,但更多成本其实被藏了起来,作为一种隐藏的认知债务所存在。后续,当需求发生变化时,这些债务给我们实现功能带来了巨大的麻烦。调整代码结构后,原本隐藏的债务浮出了水面,代码的可视性和可维护性也得到了有效提升。
假如以“框架和库”这个设定来观察上面的案例,新代码的组织模式更接近于“库”——人作为程序的主人去组织整个功能,而非“框架”——人仅作为 `ModelViewSet` 的仆人去填补空缺。
至此我们可以看到,框架与库并非一种对物品的二元化严格分类,而更像两种不同的思维方式。因为即便是在 DRF 这个庞大的框架中,也存在各种不同的代码组织模式,一些偏框架,另一些则明显偏向库。
### 也许,该把 AI 编程当成一种库
回到 AI 编程。将 AI 编程作为一种框架,会引导我们采用框架式思维,不断追求编写更短的提示词、对代码付出更少的关注,付出更少的认知成本来达成目的。
然而,就像前面的例子所展示的,在这种思维模式下,认知债务将不断堆积,框架与生俱来的“抽象泄露”与“控制权丧失”问题,也将在未来对我们产生严重危害。
既然如此,何不转变思维,将 AI 编程当成一种“库”?就像去使用任何其他库一样,我们作为程序的主人,调用它来完成工作。
这种思维模式的转变,可能意味着:
- **不再追求“写更少实现更多”** :用更少的提示词(代码)实现更多功能,看上去很美,但也意味着大量的认知债务随之累积;
- 找到编写提示词的“甜蜜区”,付出 **相对较少** 而非绝对意义上的最少的认知成本;
- **关注程序结构:** 比起在前 AI 时代,你现在可能更需要关注程序的整体结构,作为总设计师去设计整个程序,将正确的结构和约束内化到 `AGENTS.md` 中;
- **更精准的提示词:** 在理解已有程序的基础上,编写更精准的提示词来引导 AI 完成工作,而不是任其发挥,让 AI 主导一切;
- **审查代码:** 即便使用同一种框架,在遇到棘手问题时,一位熟读框架文档的人也会比另一位愣头青更有效率,如果把 AI 编写的代码归为框架,那么你应该去审查这份代码,从而在不可避免的“抽象泄露”发生时,将其危害降到最低。
毋庸置疑,AI 编程是一项革命性的进步,它的出现,让我们可以站在一个之前只存在于想象中的思维高度来编写程序,但 AI 编程毕竟不是魔法,如同历史上任何一个框架,极度便利的背后隐藏着抽象泄露、控制权丧失及认知债务等多重风险。
所以,AI 编程仍然不是银弹,它无法将我们从认知成本中真正解放出来。然而,在真正的银弹出现前,认识到 AI 编程作为一种新型“框架”的局限性,并适当使用“库”的心智模型来驾驭它,或许是我们的最佳选择。