AI能读完所有文档，但读不到你的坑

上周技术评审会上有人问了个问题订单服务调库存和支付分布式事务用什么方案AI秒回三种方案。Saga实现简单性能好但补偿逻辑复杂。TCC隔离性好一致性高但每个服务要写三个接口。本地消息表对业务侵入小但有延迟。每种方案附了代码示例和架构图。问题来了选哪个AI不知道。不是分析不了是做不了这个判断。选哪个不取决于方案本身的优缺点取决于你的团队维护过补偿逻辑吗你的支付服务并发高了会死锁吗这些信息不在任何架构文档里。只在上次踩过坑的人脑子里。“知道选项 和做对选择之间隔着一整个生产事故。这不是能力问题是认知结构的问题。一、知道选项做不了选择回到那个评审会。AI给了三个方案信息完整对比清晰。但团队里的老陈听完直接否了两个“Saga上次我们写补偿逻辑花了三个月还踩了两个P0。补偿接口的幂等性和时序问题比主流程还复杂我们团队撑不住。”“TCC你看过支付服务的代码吗Try接口会锁库存并发一高就死锁。上次用TCC灰度第二天就回滚了。”“本地消息表。我知道不优雅但基础设施支持重试团队也熟。出问题我能快速定位。”老陈做的不是信息分析”是判断。他不是在比较方案的优缺点而是在回答一个更本质的问题这个团队在这个阶段用这套基础设施能撑住哪个方案AI能列出所有选项。但选哪个需要的不是信息是判断力。判断力来自上次补偿逻辑写了三个月来自上次TCC灰度回滚来自消息表模式跑了一年的稳稳当当。这些经历文档里没有。只有经历过的人才知道。二、看不见的坑才最致命知道选项选不了那把经验写下来、喂给AI不就行了问题是**最危险的知识是负向知识——不能做什么、哪里不能碰、哪些坑是已接受的坏味道。**而负向知识几乎不会被主动记录。一个SaaS平台做认证服务的灰度发布从v1升级到v2。AI给了标准流程配置Istio流量权重监控错误率逐步放量。流程完全正确配置示例也没问题。灰度那天5%的流量打到v2所有通过内部CRM处理的请求全部403。原因下游有个5年前的老系统CRM对接时对HTTP Header的大小写敏感。v1返回x-user-role全小写v2用了新的HTTP库默认规范化成X-User-Role首字母大写。CRM收到大写Header解析失败。这个大小写敏感的问题从未被文档记录。当初发现的人直接修了没写Wiki。v2用了新库会改Header格式也没人意识到——除非你记得上次CRM因为Header报过403。踩过坑的人会怎么做灰度前加一行中间件做Header大小写转换。就这一行。但AI不会建议这行代码——它不知道CRM对大小写敏感。就算AI接入了所有内部文档和事故记录它读到的也是发生了什么不是当时为什么那么决策——更不是为什么以后应该这么做。知识库解决的是信息传递不是认知结构。负向知识是不能那么做不是应该怎么做。AI倾向输出最佳实践方案因为训练数据偏好标准答案。但生产环境需要的不是标准答案是在这个满是历史技术债的系统里哪个方案最不容易出事。三、有些东西就是说不出来就算写下来了有些东西你还是说不出来。你debug的时候为什么看一眼日志就知道又是那个问题你说得清吗大概率说不清。你可以说内存泄漏但为什么你跳过了前四步排查直接看GC日志因为上次P0事故就是这么处理的。你能感觉到答案但说不出来——不是表达能力的问题是这种判断本来就不在语言能覆盖的范围内。你自己踩过的坑你知道那个味道但你要跟没踩过的人描述这个味道说不出来。骑自行车也一样——你知道怎么保持平衡但你说不出来。踩坑经验的结构类似“知道和知道为什么之间有不可传递的差距。你做过三次分布式事务选型你知道我们团队用Saga会出事”。你可以写进文档“不建议使用Saga因为2024年Q3补偿逻辑写了三个月且踩了两个P0。“但三个月后新来的同事看到这条能判断当前情况是否和2024年Q3一样吗不能。因为他不知道当时为什么补偿逻辑写了三个月——业务复杂团队不熟需求变了**文档记录了发生了什么”但没有记录当时为什么这么决策”。**有人会说ADR架构决策记录不是记了为什么吗确实。但ADR记的是决策当时的推理不是决策之后这个选择实际上导致了什么后果——而后者才是判断力的真正来源。这就是知道规则和知道何时用哪个规则的差距。规则可以文档化“何时适用需要判断力。判断力不能被文档传递只能通过亲身经历获得。你可以把所有踩坑经验写进Wiki、喂进知识库。但读Wiki的人和踩过坑的人面对同一个决策时的反应完全不同。阅读别人踩过的坑和自己踩过的坑产生的是不同层次的判断力——前者是知道”后者是知道为什么此时此地应该这么做。不是信息差距是认知结构差距。四、代码会贬值判断力不会判断力不仅不可替代还不可贬值。AI让写代码的边际成本趋近于零。以前一个CRUD接口你写45分钟现在AI写15分钟。以前搭个项目骨架要一天现在半小时。“我代码写得快不再是护城河了。这层优势正在被抹平。但有一层优势抹不平“我知道这个方案在第三年会出问题。”代码是会贬值的今天写的三年后可能被新技术替代、被重写、被遗忘。但你在某个方案上踩过的坑、做的取舍、承担的后果不会贬值。它们长在你的判断力里变成你面对下一个决策时的直觉。代码商品化了但判断力没有。判断力没法批量生产它不是信息的汇总而是踩坑→决策→承担后果→修正直觉的闭环。AI可以读取这个闭环的结果但无法经历这个闭环的过程。它依赖的上下文是你的团队、你的系统、你的历史这些上下文不能被复制只能被经历。你的护城河不在你写了什么代码而在你踩过什么坑。而这个坑AI替你踩不了。五、出事了AI和你的第一反应不一样判断力在决策时管用在故障排查时更明显。凌晨两点订单服务OOM告警容器开始重启。AI给你五步排查流程看内存曲线查流量变化导出内存分析pprof分析占内存最多的对象排查协程泄漏。流程完全正确按部就班30到45分钟定位。但经历过上次P0的工程师第一反应不一样“又是OOM先看GC频率——GC在拼命回收但内存还是涨是泄漏不是流量。”打开监控面板GC频率从正常变成了每秒好几次。“回收不动。泄漏。”直接看内存分析里占内存最多的对象“上次是orderCache没过期淘汰这次……不是是kafkaConsumer的offset提交卡住了消息堆积又没有背压保护内存暴涨。”从告警到根因5分钟。不是AI给的流程不对是有经验的人能跳过大部分步骤因为上次踩过。他知道先看GC频率知道大概率是泄漏不是流量知道先排除最可能的原因。当然不是每次都这么顺利——但上次踩过的坑这次确实能跳过大部分步骤。这种快速排除的能力来自亲身经历。读一百篇OOM排查指南不如凌晨两点被叫醒处理一次。六、经验不可省略但可以加速说了这么多不可替代”那新手怎么办如果经验不可替代新一代程序员怎么成长AI把初级岗位压缩了中高级从哪来答案不是经验不可获得而是经验不可跳过。你可以读完所有游泳教材了解自由泳的每一个动作要领。但你不亲自下水就是不会游。教练可以让你学得更快——纠正姿势、教你换气节奏——但不能替你游。AI就是那个教练。它可以加速你获取经验的过程帮你跑更多实验、更快定位问题、避免已知陷阱。但有个关键区别——教练自己会游AI不会。教练基于亲身经验教你纠正姿势AI基于训练数据猜测你可能需要的指导。教练的教来自做过AI的教来自见过。所以AI没法替你踩坑也没法替你为决策扛后果。“得自己疼过才知道”不是悲观是认知结构的限制。你可以在疼的过程中少走弯路但不能跳过疼这个环节。如果经验的结构性不可替代那经验传递的正确方式不是写文档而是创造经历——所以如果你是团队里的老手别只写文档带新人做一次生产事故复盘比写十页Wiki有用。如果你是新人别只读文档主动参与灰度发布、故障排查让别人的经验变成你的经历。经验不可省略。但可以加速。AI能读完所有文档。但文档里不会写上次我们踩过这个坑。你的判断力不靠背架构模式也不靠读技术博客。它在你踩过的坑里、做过的取舍里、为某个决策扛过的后果里。这些东西AI读不到。你的同事也读不到。只有你自己经历过才知道。这不是AI目前不行的局限是认知结构的限制。不管AI多强有些知识只能通过亲身经历获得。就像你可以读完所有游泳教材但不下水就是不会“知道和会之间隔着一整个水。