凌晨兩點，你盯著一段分頁邏輯發(fā)愁。代碼跑通了，但沒人知道為什么用游標(biāo)而非偏移量。Git記錄寫著"修復(fù)分頁"，再往前是"實現(xiàn)分頁"——考古到此結(jié)束。

這是AI編程的隱藏成本：知識鏈斷裂。原作者沒留下痕跡，后來者也找不到來路。

一個開發(fā)者的反擊

作者用Claude Code做了個實驗。輸入poc.py trace src/utils/paginator.py，30秒后得到一張溯源圖：

【高置信度來源】GitHub用戶@tannerlinsley的游標(biāo)分頁討論，鏈接直達。核心洞察：實時更新場景下游標(biāo)優(yōu)于偏移量。

【知識缺口】錯誤重試策略、并發(fā)寫入處理——AI自行決定，無人工來源。

關(guān)鍵發(fā)現(xiàn)：bug就藏在"無人工來源"那部分。AI做了選擇，但沒人審查。

這個工具叫proof-of-contribution，定位不是強制規(guī)范，而是考古優(yōu)先。

為什么溯源比注釋更重要

傳統(tǒng)做法是在文件頂部加注釋，說明參考了某篇Stack Overflow答案。問題是：沒人讀。

新方案是結(jié)構(gòu)化、可查詢、可執(zhí)行的記錄，與代碼并存。每次AI生成代碼時，Claude自動附加"貢獻證明塊"：

——靈感來源（具體討論、RFC、個人博客）
——AI合成部分（明確標(biāo)注無人工來源）
——置信度評級

這讓兩個群體受益：用代碼的人知道該信什么，產(chǎn)知識的人知道自己的工作被看見。

被忽視的激勵坍塌

作者提到一個沒人測量的成本：貢獻者消失。

2019年，有人在Stack Overflow花一周調(diào)試，寫下并發(fā)寫入失敗的完整分析。AI吸收了它，新代碼里沒有任何引用。原作者收不到信號，下次遇到類似問題，還會不會寫？

GitHub討論區(qū)同理。兩小時的深度技術(shù)辯論，被AI總結(jié)成一行實現(xiàn)，原帖沉入海底。維護詳細(xì)討論的動力，在規(guī)模化中逐漸蒸發(fā)。

這不是哲學(xué)層面的" nothing"，是具體的引用缺失、溯源不能、反饋歸零。

技術(shù)債的新形態(tài)

AI加速編碼的同時，也在制造新型債務(wù)：不可審計的決策。

作者的工具暴露了一個模式——AI傾向于"合理但未經(jīng)核實"的選擇。并發(fā)處理策略看起來對，但沒有人類驗證過邊界條件。六個月后，這就是生產(chǎn)事故的溫床。

溯源機制的價值在于：把"AI自行決定"轉(zhuǎn)化為"待審查清單"。不是阻止使用AI，而是明確風(fēng)險所在。

數(shù)據(jù)收束

這個實驗?zāi)壳叭允莻€人項目，但指向一個可量化的趨勢：GitHub 2024年報告顯示，AI輔助編碼已覆蓋全球46%的代碼提交，而代碼注釋率下降至2018年以來最低。知識沉淀速度與代碼產(chǎn)出速度之間的剪刀差，正在擴大。

工具本身或許不會成為主流，但它提出的追問會留下來——當(dāng)AI成為主要生產(chǎn)者，我們用什么機制保證人類知識的連續(xù)性？