AI越擅长写代码，越没人愿意“删代码“

你修了一个小bugAI帮你顺带改了五层的抽象逻辑。代码多了一堆bug修好了但没人知道那些多出来的东西什么时候会爆炸。OpenAI Codex负责应用落地的Andrew Ambrosino在近期的一次播客访谈里说了一句很有意思的话。当被问到你希望AI编程工具最应该加强什么能力时他的回答不是生成速度不是上下文理解不是多文件编辑。他想了片刻说“我希望模型更擅长删代码。”这句话放在今天这个语境里几乎是一种反叛。整个行业都在卷谁能生成更多、更快、更完整这位掌管Codex落地的人却在意的是删。但他的焦虑是有道理的。AI修bug修完你可能更睡不着Andrew举了几个很具体的场景。AI帮你修一个bug它可能顺手把相关抽象层的代码一并调整了。功能实现了逻辑也说得通但原本三个类就能搞定的事变成了六个类互相调用。没人要求它改那么多但它的责任心让你得到了一个更复杂的东西。或者你让AI补一个边界条件它选择了一条绕远路——不是补在触发点附近而是在整条调用链上层层拦截代码量翻倍可读性打折。这不是AI在作恶这是模型的底层逻辑决定的。大语言模型天然倾向于添加因为它是在海量代码中学会了一个功能需要什么而非一个功能不需要什么。删代码是一种反向推理比加代码难得多。Andrew说模型通常会增加复杂度。这句话不是吐槽是一个工程观察。谁负责收拾程序员圈子里一直有个分类法最近被重新拿出来讨论。前Google工程师Boris Cherny把未来产品团队的人分成五种角色Prototyper原型者、Builder建造者、Sweeper收尾者、Grower增长者、Maintainer维护者。AI对前两种角色的冲击最大。原型者和建造者——快速生成一个能跑的东西、把原型扩展成可交付工程——这部分能力AI已经做得相当好而且还在加速。一个功能过去要两天的编码现在可能一杯咖啡的时间。但Sweeper呢Sweeper是那个要把AI半成品收拾到能真正上线的人。消除重复逻辑、拆掉奇奇怪怪的抽象层、补齐被遗漏的边界条件、统一四分五裂的UI风格、补上缺失的测试、把能跑但改不动的代码重构到可维护——这才是AI编程真正让人头秃的部分。OpenAI内部有个很极端的案例。视频编辑团队的同事Brent尝试用Codex来编辑Codex自己的发布视频。Codex检测到他正在用PremierePro先通过编辑软件背后的文件完成了部分操作。但当遇到纯GUI操作时Codex的自动化能力不够用了。它做了什么它给自己写了一个PremierePro扩展用这个扩展去控制Premiere界面里的标记。这个案例被当做Codex灵活调度外部工具的经典demo。但从另一个角度看它也在暴露一个事实AI解决问题的路径往往比你想象的要迂回而且它产出的不只是结果还有一堆你完全预见不到的中间产物。95%的Token都让Codex吃了还有一个数据能佐证这种生成量膨胀的趋势。在OpenAI内部99.8%的Token消耗来自Codex。不是ChatGPT不是API调用不是DALL·E——就是Codex。公司里大约90%的人在用设计师开始写简单的脚本产品经理会调接口验证想法工程师更不用说了。所有人都在生成。但生成的越多积压的待清理就越多。代码库变大抽象层变深绕路逻辑变多没删干净的旧代码堆积——这些生成后遗症的解决速度远远跟不上生成的速度。这形成了一个非常反直觉的态势AI编程工具越强维护工作就越重。因为AI帮你把写的门槛砸到了地板但删和理的负担全甩给了人。把Sweeper的事交给工具当然这不意味着AI只能在Sweeper面前投降。如果反过来想——Sweeper的工作能不能也用工具来解决比如编译错误。AI生成的代码一跑一屏幕红字。手动一个个修当然费劲但一键修复器可以扫描所有编译错误逐个让AI分析修复修完自动跑一遍验证。比如代码规范。Checkstyle几千条违规人工改完手都麻了。代码整洁器能做到批量检测加自动修复连冗余代码、SAST问题一起清了。比如安全漏洞。OWASP Top 10的问题在AI生成的代码里并不罕见靠自己排查可能根本看不全。安全修复器可以系统性地扫描和修复。比如依赖版本冲突、过期依赖、冗余依赖——这些Sweeper级别的体力活Jar依赖修复器能处理个七七八八。还有单元测试补全——单元测试生成器走的是环境检测→生成→编译→运行→修复五步闭环把补测试这个最典型的Sweeper任务自动化了。这些东西拆开来看每一件都是Boris Cherny定义的Sweeper或者Maintainer要干的活。飞算JavaAI的AI工具箱里有十款工具核心做的就是这些事——不是在写新代码上卷而是在收拾旧代码上发力。飞算 JavaAI AI工具箱是一套以 AI 为核心驱动力的智能开发辅助工具集覆盖多个软件开发复杂场景。它不是某个单一功能而是一个持续扩展的工具矩阵——目前已上线 9大核心工具涵盖项目文档生成、单元测试、框架升级、代码整洁、安全修复、依赖管理等高频开发场景。简单来说把那些重复、繁琐、容易出错的开发任务交给 AI 自动完成。这个路径跟Andrew Ambrosino说的更擅长删代码底层逻辑相同。只不过它不是让AI删代码而是让AI帮你识别哪里该删、哪里该修、哪里该重构然后批量执行。能跑不是终点Andrew在访谈里还讲了一个观点。他说过去大家害怕的是想法没人实现现在这个恐惧消失了——AI让实现成本低到几乎为零。但新的恐惧来了几十个团队可能同时生成几十个原型没人判断哪个值得继续。“taste和curation”——品味和筛选——变成了比技术实现更稀缺的能力。这和Sweeper问题是同一个硬币的两面。没人删代码是执行层面的遗留债没人判断该删什么是决策层面的真空。而这两层都不是单单一个更快的代码补全能解决的。AI编程走到现在这个节点真正拉开差距的不再是谁能生成更多代码。而是生成完以后你拿这些代码怎么办。