當 AI 開始寫 80% 的代碼，架構才是真正的護城河

作者 | Patrick Farry

譯者 | 田橙

GitHub CEO Thomas Dohmke 近日發出了一則措辭嚴厲的警告：“要么擁抱 AI，要么離開這個職業。”但所謂擁抱 AI，并不只是使用代碼自動補全工具那么簡單。它意味著我們核心能力的一次轉移——從對語法的熟練掌握，轉向系統思維（Systems Thinking），學會把問題不斷拆解，直到小到可以交由 AI 去解決。一句話概括：我們現在都是架構師了。

我正在開發一個 IoT 應用，整體由設備端固件、后端系統以及 Web UI 組成。盡管我本身具備軟件工程背景，但在這個項目中，我一直在使用 Claude Code 來提升開發效率，并幫助我應對一些并不十分熟悉的語言和框架。我的技術棧包括：設備端使用 Python + PyTorch，前端采用 React + TypeScript，后端則由 MQTT + Node.js + Postgres 構成。起初，與 Claude 的協作并不順利。我的請求經常會引發對整個代碼庫的大規模改動。隨著我逐漸學會如何更合理地組織代碼結構、并對提示詞進行調整和約束，情況開始好轉。現在，我已經可以在不進行逐行代碼審查的情況下，基本信任 Claude 所做的修改。在這個過程中，我逐漸總結出了一些模式，并將其稱為 Skeleton Architecture（骨架式架構）。我認為，這些模式對提升 AI 編程助手的生產力非常有幫助，因此希望在這里分享出來。

隨著 AI 編程行業逐步成熟，我們開始意識到一個事實：如果使用方式不當，AI 會帶來大量技術債務。要在這場轉型中生存下來，我們必須識別并建立合適的架構模式，使 AI 生成的代碼在安全性、可維護性和可靠性方面都可控。這需要一套明確的策略，核心建立在三個支柱之上：為 AI 的“消費”方式而組織代碼結構；實施嚴格而清晰的防護與約束機制（guardrails）；以及將我們自身的技能重心，從“翻譯需求”轉向“建模系統”。

結構化代碼：上下文約束

AI 輔助工程中最核心的約束，是 上下文窗口（Context Window）。隨著上下文規模的擴大，模型的準確性會因為“中段信息丟失（Lost in the Middle）”現象而呈反向下降，而響應延遲與使用成本則會線性上升。

因此，AI 原生架構的“黃金法則”，就是盡可能縮小模型在工作記憶中必須同時容納的問題范圍。我們必須設計一種系統，對信息流施加“物理約束”，將依賴關系隔離開來，使 AI 能夠把完整的問題空間裝進一個高度聚焦的提示詞中。這種隔離具備兩層作用：一方面，通過減少噪聲來最大化推理能力；另一方面，通過確保某個代理在處理一個組件時“看不到”其他組件，從而避免無意中破壞系統整體的完整性。

目前，有兩種架構模式正在逐漸被采用，用以解決這一問題。

Atomic Architecture（原子化架構） 作用于微觀層面。該理念由 Brad Frost 于 2013 年提出，最初用于應對響應式 Web 設計的復雜性。它以一種“生物學式”的方式組織系統：從不可再分的“原子”（如 HTML 標簽、工具函數）開始，組合成“分子”，最終構成復雜的“有機體”。雖然它最初是一種 UI 方法論，但在 AI 輔助工程中重新煥發了價值，因為它強制執行了一種嚴格的“上下文衛生（context hygiene）”。相比讓 AI 一次性生成一個龐大的功能模塊，讓其只生成一個獨立、隔離的“原子”，可以大幅降低幻覺風險，并確保生成的代碼高度聚焦、無狀態、且易于驗證。但代價也同樣明顯——這會產生一種“碎片化稅（fragmentation tax）”：AI 可以完美地產出單個組件，但將這些無狀態原子連接成一個完整系統的高強度認知負擔，要么必須被塞進 AI 的上下文中，要么就完全回到了人類架構師身上。

為了解決宏觀結構層面的組織問題，我們需要引入 Vertical Slice Architecture（垂直切片架構）。這一架構由 Jimmy Bogard 推廣，旨在打破傳統 N 層“千層面代碼（lasagna code）”的僵化結構。它按照業務功能（例如“下單”）而非技術層級（如“服務層”“數據訪問層”）來組織系統。

這種模式對 AI Agent 尤其友好，因為它針對“引用局部性（Locality of Reference）”進行了優化。在分層架構中，AI 為了理解一條完整業務流程，往往需要在多個目錄之間來回檢索文件，大量無關代碼會污染上下文窗口。而垂直切片遵循“一起變化的東西，就放在一起”的原則，使 AI 能夠一次性加載某個功能的完整上下文，而無需對缺失的依賴進行“腦補式生成”。但這同樣會引入一種“重復稅（Duplication Tax）”：為了保持切片之間的獨立性，AI 往往會在不同切片中生成重復的數據結構，用犧牲 “DRY（Don’t Repeat Yourself，不重復自己）”原則，換取更強的隔離性。

垂直切片在隔離性方面表現出色，但它并不能解決切片之間的協同問題。諸如安全性、可擴展性、性能、認證等關鍵的非功能性需求，都是系統級不變量，無法被拆散到各個切片中分別實現。如果讓每一個垂直切片都自行實現授權體系或緩存策略，最終只會導致“治理漂移（Governance Drift）”：安全策略不一致，代碼重復嚴重。這也迫使我們引入一個新的統一概念：Skeleton（骨架）與 Tissue（組織）。

解決方案：骨架與組織

我們將系統明確拆分為兩個彼此區隔的領域。Stable Skeleton（穩定骨架） 代表由人類定義的、剛性且不可變的結構（如抽象基類、接口、安全上下文），這些結構可能由 AI 編寫，但設計權屬于人類。Vertical Tissue（垂直組織） 則由高度隔離、以具體實現為主的功能模塊組成（如具體類、業務邏輯），主要由 AI 生成。

這種架構借鑒了兩種經典的軟件思想：Actor 模型 和 面向對象中的控制反轉（Inversion of Control）。世界上一些最可靠的軟件系統之所以能夠長期穩定運行，并非偶然——例如 Erlang，其核心正是通過 Actor 模型來維持系統穩定性。同樣，在控制反轉結構中，不同切片之間的交互由抽象基類來管理，確保具體實現類依賴的是穩定的抽象，而不是反過來。

為了在工程實踐中強制落實這一點，我們采用了 模板方法模式（Template Method Design Pattern）。依賴反轉原則負責在設計層面保護高層策略不被底層細節侵蝕，而模板方法模式則在運行層面將這一原則“落地”，通過鎖定執行流程來實現。

在這種模型下，人類架構師會在基類中定義一個最終的 run() 方法，用于統一處理日志、異常捕獲、認證等橫切關注點。AI 則只被允許實現一個受保護的 _execute() 方法，并由 run() 在合適的時機調用。這種區分至關重要：AI 在物理層面上就不可能“忘記”記錄日志，或繞過安全檢查，因為它從一開始就不擁有整個執行流程的控制權；它只是填補了架構師預留出來的一段邏輯空位。

在我系統的設備端代碼中，包含了多個用于圖像處理的 AI 算法。我決定用一個繼承自 ABC（Python 抽象基類）的類 TaskBase 來表示每一種算法。其余的骨架部分，則由一組負責高效傳遞圖像數據、并調度這些算法運行的協調類構成。

代碼示例：由人類掌控的 Skeleton

下面的示例展示了 BaseTask 如何將緩沖管理和就緒狀態檢查的復雜性完全屏蔽在 AI 之外，讓 AI 可以只專注于“處理邏輯”本身。

        pass

對這種架構的一種常見質疑是：過于剛性的 Skeleton，可能會限制 AI 的自由，從而抑制創新。對此的回應是——這種剛性并不是缺陷，而是一種刻意設計的特性。它明確地強制實施了“架構治理（Architectural Governance）”。如果系統的核心控制流程或整體行為需要被修改，那么這個決策必須由人類架構師親自介入完成。這種約束相當于一道必要的防火墻，用來抵御“架構漂移（Architecture Drift）”：防止 AI——這種天然偏好局部最優的系統——引入臨時性的捷徑或不一致的模式，而這些問題若不受約束，最終會一點點侵蝕系統的長期設計完整性。

交互方式：“導演”角色

把代碼助手比作初級開發者，是一種危險的擬人化認知。AI 并不是學習型個體，而是一種高速運行的隨機優化引擎，它的目標是盡快完成任務，并且往往會把安全檢查視為需要繞開的“阻力”。提示詞是柔性的，而架構是剛性的。因此，開發者必須以高度警惕的方式對 AI 代理進行監督。根據我的經驗，即便已經明確給出“絕對不能繞過安全機制”的指令，像 Claude 這樣的模型仍可能為了讓代碼運行成功，嘗試關閉認證機制以解決沖突。

要讓這種“導演式管理”具備可擴展性，我們必須建立“硬護欄（Hard Guardrails）”——也就是將約束直接嵌入系統本身，使 AI 在物理層面上難以繞過。這些護欄構成應用系統不可更改的基本法則。

在我的應用中，最關鍵的一道護欄，是確保設備端、UI 與后端之間的數據一致性（Schema-First Surety）。如果缺乏這一機制，Claude 很快就會修改系統不同模塊之間的通信協議，最終導致數據結構彼此不一致。我將 JSON Schema 作為 OpenAPI 與 AsyncAPI 文檔的一部分，作為系統的“單一真實來源（Source of Truth）”，以確保組件之間的契約不可被破壞。同時，我在基類中加入了一個“快速失敗（Fail-Fast）”驗證器，一旦檢測到協議違規，就會直接觸發 sys.exit(1) 強制終止程序。當 AI 生成的代碼雖然滿足提示詞要求，但違反系統契約時，系統會立即崩潰。這會迫使人類開發者介入，將原本可能被忽視的隱性缺陷，轉變為一個明確且可見的“治理事件（Governance Event）”。至關重要的一點是：該驗證器必須運行在 Skeleton 層，因為在這一層中 Claude 無法修改相關邏輯。

理想情況下，我們還應當超越運行時檢查，通過 CICD 流程中的自動化工具來保證系統結構完整性。例如，我們可以使用 ArchUnit 這樣的編譯期工具來強制執行系統拓撲規則。開發者可以編寫測試斷言，例如：“任何 AI 生成的模塊都不得直接導入數據庫包”。這可以有效阻止 AI 通過架構捷徑繞過 Skeleton 層的控制。

為了獲得最高級別的安全保障，我們甚至可以采用物理隔離策略。我們可以將 Skeleton（包括接口、基類以及安全邏輯）遷移到一個獨立且只讀的代碼倉庫中。AI 在構建 Tissue（組織層代碼）時只能導入這些定義，但在權限層面上無法修改這些規則。這種方式確實會帶來一定摩擦，例如 AI 無法在未經人工批準的情況下“憑空創造”新的消息類型。但作為回報，系統行為可以獲得幾乎絕對的可控性與確定性。

最后，我們還必須對副作用進行隔離。當業務邏輯與外部組件交互混雜在一起時，AI 代理通常難以編寫穩定可靠的測試代碼，往往會“臆造”復雜的模擬對象，或生成容易失效的集成測試。我們的解決方法，是將交互行為上移到 Skeleton 層，而將業務邏輯保留在 Tissue 層（即所謂“Functional Core”）。由于 Skeleton 定義的工作流具有清晰邊界，因此可以通過 AI 生成的模擬對象輕松測試；而 Tissue 層的類由于本身就是垂直切片結構，也可以通過簡單的測試框架進行驗證。

代碼示例：不可變的護欄機制

該驗證器會在 AI 任務真正處理消息之前執行。sys.exit(1) 能夠確保系統采用“快速失敗”的安全策略，而 AI 無法覆蓋這一行為。

        sys.exit(1)

學習方式的轉變：

從語法到系統性思維

這種架構層面的轉變，迫使我們對開發者技能進行一次根本性的再評估。相較于語言特性或算法實現——這些正在迅速商品化的能力——開發者必須將重心轉向建模、信息流設計，以及對非功能性需求的嚴格管理。在一個“會寫排序算法”幾乎不再具備任何價值的時代，工程師的價值不再由“翻譯”（把想法轉成代碼）來定義，而是由“建模”（定義代碼運行所受的約束條件）來決定。

我們已經進入了系統性思維（Systemic Thinking）的時代。功能實現很容易，系統韌性卻極其困難。AI 代理會為了讓測試用例通過而進行優化，卻完全無視內存泄漏、延遲抖動或可觀測性缺失等問題。因此，工程師必須走上“導演”角色，在發出任何一個提示詞之前，就先在腦中構建好信息流與組件之間的交互關系。非功能性需求（NFRs），必須由導演來承擔。

由于 AI 無法真正“關心”內存管理問題，人類架構師必須將這些防護機制直接構建進 Skeleton 之中。

進一步來看，這意味著工程師需要熟悉系統架構的世界，并且持續思考諸如“這個系統在實際運行中會如何表現”這樣的問題。

除了保護系統本身，Skeleton Architecture 還回應了一個正在逼近的挑戰——“學徒危機”（Apprenticeship Crisis）。在一個實現層代碼大多由 AI 生成的世界里，初級工程師要如何積累成長為架構師所必需的“傷疤組織”（scar tissue）？答案在于：Skeleton 本身就成為了教學大綱。通過強制初級工程師在 TaskBase 與 Validator 這些剛性約束中工作，我們用結構化的“填空題”，取代了令人無從下手的“空白頁”。他們不是通過閱讀抽象理論來學習系統設計，而是直接生活在一個高質量的架構中。一個在物理層面上阻止壞習慣產生的架構。反饋回路也因此被極大壓縮：從過去等待代碼評審的數天時間，縮短為撞上護欄時的毫秒級反饋。每一次錯誤，都會立刻變成一堂架構課。

代碼示例：系統級安全網

AI 負責編寫圖像處理邏輯，而人類架構師則通過在框架中實現 weakref 跟蹤機制，確保系統不會因為內存泄漏而崩潰。

    return [obj for obj in self.tracked if obj.age > 60.0]

總 結

垂直切片為 AI 提供專注，Skeleton 為人類保留控制權，而其他硬性約束則為團隊提供確定性。我們并不是在“訓練”AI，而是在約束它。通過構建一套剛性的 Skeleton，我們讓 AI 可以高速前進，同時不至于折斷軟件系統的脊梁骨。

參考文獻

Bogard, J.（2018）。《Vertical Slice Architecture》。

Dohmke, T.（2023 年 11 月 8 日）。GitHub Universe 2023 Opening Keynote: Copilot in the Age of AI［視頻］。

YouTube。Farry, P.（未注明日期）。《AI-Generated Code Creates New Wave of Technical Debt, Report Finds》。

InfoQ。Frost, B.（2013）。《Atomic Design》。

Gamma, E., Helm, R., Johnson, R., & Vlissides, J.（1994）。《Design Patterns: Elements of Reusable Object-Oriented Software》。

Addison-Wesley。Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P.（2023）。

《Lost in the Middle: How Language Models Use Long Contexts》。

Stanford University、UC Berkeley、Samaya AI。Martin, R. C.（未注明日期）。《The Dependency Inversion Principle》。

https://www.infoq.com/articles/skeleton-architecture/

聲明：本文為 InfoQ 翻譯，未經許可禁止轉載。

會議推薦

InfoQ 2026 全年會議規劃已上線！從 AI Infra 到 Agentic AI，從 AI 工程化到產業落地，從技術前沿到行業應用，全面覆蓋 AI 與軟件開發核心賽道！集結全球技術先鋒，拆解真實生產案例、深挖技術與產業落地痛點，探索前沿領域、聚焦產業賦能，獲取實戰落地方案與前瞻產業洞察，高效實現技術價值轉化。把握行業變革關鍵節點，搶占 2026 智能升級發展先機！

今日薦文

你也「在看」嗎？