AI Coding思考：从工具提效到范式变革，我们还缺什么？
一句话概括
用「目标传达复杂度 × 执行复杂度」四象限指出企业级研发的 AI Coding 瓶颈不在 Agent 执行而在人向 AI 传达任务的信息熵过高，必须通过四层专家知识体系化沉淀实现系统性降熵。
实践内容
四象限分析
| 目标传达复杂度 | 执行复杂度 | 场景 | AI 适用性 |
|---|---|---|---|
| 低 | 低 | 简单 CRUD | 高 |
| 低 | 高 | 技术实现 | 中 |
| 高 | 低 | 业务规则 | 中 |
| 高 | 高 | 企业级研发 | 低（瓶颈） |
四层专家知识体系
- 基础技术 —— 编程语言、框架、工具
- 业务架构 —— 领域模型、业务流程
- 团队规范 —— 编码规范、架构约定
- 代码仓库 —— 现有代码、历史决策
降熵路径
通过四层专家知识体系化沉淀，实现系统性降熵，最终打通需求-设计-编码-验收全链路 SDD。
终极目标
把程序员从打字员推向产品工程师与业务架构师。
摘录
淘天天猫书牧用「目标传达复杂度 × 执行复杂度」四象限指出，企业级研发的 AI Coding 瓶颈不在 Agent 执行而在人向 AI 传达任务的信息熵过高。
必须通过基础技术、业务架构、团队规范、代码仓库四层专家知识体系化沉淀实现系统性降熵，最终打通需求-设计-编码-验收全链路 SDD，把程序员从打字员推向产品工程师与业务架构师。
涉及实体
- Spec-Driven-Development —— SDD 是降熵的关键手段
- Claude-Code —— Claude Code 是 SDD 的执行层
涉及主题
我的评注
“信息熵”这个概念很精准地描述了企业级 AI Coding 的瓶颈。问题不在于 AI 不够聪明，而在于人无法有效地把复杂的业务需求传达给 AI。四层专家知识体系化沉淀是一个系统性的解决方案。