前言：当"代码"不再等于"意图"
在过去几十年的软件工程实践中，“我们的代码"就是"我们意图"的直接体现。我们亲手设计架构、定义接口、编写逻辑、调试边界。每一行代码都是思维的具象化。即便存在沟通偏差，也主要发生在人与人之间。而一旦进入编码阶段，意图便牢牢锚定在代码之中。
因此，传统意义上的"意图对齐”，往往止步于需求理解的一致性。然而，在 Vibe Coding 与 Harness Engineering 等新兴范式席卷开发流程的今天，这一等式被彻底打破。
代码不再是意图的载体，而是 AI 对你意图的"翻译结果"。
这意味着，“意图对齐"的矛盾点从"人与人"转移到了"人与 AI"之间。而且要求更高、容错更低。你不能再依赖"边写边想"或"代码即文档"的模糊默契，而必须近乎 100% 精确地向 AI 传达以下信息：
- 执行顺序：先做什么？后做什么？哪些步骤不可并行？
- 技术选型：用什么框架？依赖哪个版本？是否允许引入新库？
- 架构规约：模块边界在哪？哪些是禁区？数据流如何约束？
- 开发方式：普通开发方式，还是测试驱动开发？（TDD）
- 上下文资产：知识库存放在哪？已有接口契约是什么？
- 环境限制：运行时资源上限？网络策略？安全合规红线？
- 验证标准：如何才算"完成”？测试覆盖哪些路径？失败语义如何定义？是否需要 E2E？
缺失任何一环，AI 都可能基于其训练数据中的"常见模式"进行合理但错误的推断。这正是早期 Vibe Coding 最为诟病的问题：自作主张，自以为是。而这些缺失的信息，就是"意图与结果差距"的根源。
意图与结果的差距：诸多的因素都会导致不好的产出
在 Vibe Coding 的实践中，我们常常陷入一种错觉：只要把想法"说"出来，AI 就能"懂"并"做对"。但现实是：意图 ≠ 指令，指令 ≠ 实现，实现 ≠ 正确。
模糊不清的自然语言
自然语言擅长传递情绪与方向，却极度缺乏工程所需的精确性。毕竟自然语言本来就是用于高效的"人与人沟通"，没人会喜欢事无巨细地描述早餐的配料、火候、口感及其对身体的长期影响。
“优化一下性能”、“让代码更清晰”、“处理得健壮些”……这类表述在人类协作中倒是常见，但在人机交互中却是灾难的起点。AI 无法感知你的潜台词，只能依据概率选择"最可能"的解释（来自训练数据）。而这个解释，往往与你的真实意图南辕北辙。
匮乏的上下文知识
AI 对你的系统一无所知，除非你明确告诉它：
- 哪些服务是核心链路，哪些是边缘功能？
- 字段的意义是什么，哪些是不能修改的，禁区在哪里？
- 这个接口的 RPC 调用路径是什么？
- 缓存失效后，是降级，还是返回错误？
- 缓存的过期时间是否要加入 20% 随机浮动，避免缓存击穿？
这些"组织内部常识"，如果你不显式地注入上下文，AI 便会用过去训练它的通用模式填补空白。结果往往是错误的降级策略、越权的数据访问，或与现有契约冲突的接口变更，最终污染架构、埋下隐患。
没有反馈，没有澄清，没有调查，没有验证
“模糊的自然语言"和"匮乏的上下文"并不是最严重的问题。真正危险的是缺乏人机协同的验证闭环。当前的 AI 并不会主动反馈不确定性，也不会自行查阅知识库。这一切依赖开发者主动设计交互流程：
- 强制澄清：遇到模糊或拿不准的地方，是选择 A 方案还是 B 方案，不能擅自作主，必须询问我们。
- 上下文补全：我们告知 AI 的信息一定是不全面的，AI 必须能够自己去指定位置进行调查。
- 自我验证：当信息足够多时，能不能把它们串联起来，形成合理的方案？需要 AI 具备自我验证的能力。
过长的上下文，导致"腐化"产生幻觉
前面说到上下文信息匮乏会导致意图理解出现偏差。但过度冗长的信息，反而可能造成意图理解的错误。大模型的上下文容量是有限的，信息处理能力也是有限的。随着信息量的增多，AI 的注意力机制开始"失焦”。早期的关键约束被稀释，后期的临时补充被过度强调。你会发现一个很明显的问题：最早告诉他的规则，到后面却被他"遗忘"了。同时，过多的上下文迫使大模型进行压缩，必定导致信息的进一步失真。
控制好信噪比，我们要做的是：
- 上下文信息的精准 > 堆砌
- 结构化的描述
- 聚焦的重点是什么？
最后：实践
我们首先要在上下文中定义一个基础规范。你甚至可以把它加入到你的 skill 中：
- 需求有歧义就先问，不要根据"常见做法"擅自添加用户未要求的任务。
- 如果用户描述存在多种理解方式，必须先询问澄清，不要替用户乱猜。
- 50 行能解决的问题，就别写成 200 行。代码不要过度封装、过度抽象。
- 尽量只做局部修改，不要一开始就大面积重构。不要把一个小任务改成大手术。
- 如果任务非常复杂，分步骤实施，控制上下文总量，避免出现"腐化"。
更多关于从提示词到工程约束的范式转变，请参阅我的文章 Vibe Coding：Harness Engineering。想了解上下文腐化如何影响 AI 编程会话，可以看看 我的 GSD 体验。关于 Vibe Coding 的实用工作流，请参阅 Vibe Coding 时代的 Git Worktree。而关于规范驱动开发的实践，请阅读 我的 OpenSpec 体验。