需求和架构:从十行到五十万行,都在做同一件事
南京大学《生成式软件工程》第六讲整理稿。先用南大教务系统做一次现场解剖——一个需求不断叠加、最后变成黑箱处罚系统的反面样本;再用 AI 从反推的需求说明书直接生成一个替身系统,验证「需求清楚之后编码就不是瓶颈」。中段用三个尺度的例子讲架构:十行的非递归汉诺塔、两千行的 Excel 二维码生成器、五十万行的教务系统。核心论点是同一句话——跳出问题看问题。压轴是把教务系统从 CRUD 改成 event sourcing:不存当前状态,存事实。
本文整理自南京大学《生成式软件工程》第六讲「需求和架构」,B 站编号 06-Raw 26。原片长约 96 分钟,字幕 1,240 条、约 2.9 万字。
字幕由语音转写,术语错听较多。本文按上下文订正;确实无法还原的只描述行为,不猜名字。
上一讲说的是软件工程从哪来。这一讲说它具体怎么干——需求定方向,架构决定这个方向能走多远。
讲者给了一个很朴素的分工:需求是你想去哪,架构是你的船能扛多大的浪。而这一讲真正想说的是,这两件事其实是同一件事。
软件一点都不软
开场他先纠正一个直觉。
椅子靠背是软的:你按下去它瘪,你起来它弹回来,下次坐还是好的。**软件不是这样。**软件是纯逻辑制品,容不下任何细微差错。
他举了一个极端例子。程序从输入读一个整数 N,N 等于 1 时进循环读一个数组元素。这个程序要是在卫星上跑,一颗宇宙射线打中内存,让无符号整数的最高位翻成 1——那个 1 突然变成四十多亿,程序就崩了:它会无休止地往下读,读一千个、一万个,直到内存错误。
他又补了数据中心里更常见的版本:制程越先进、晶体管越密,热噪声下某些指令会产生静默错误。同一条指令在这台机器和那台机器上跑,结果可能不一样,甚至要服务器跑一段时间才暴露。
**所以「软件」这个词本身就是误导。**它是人类智慧的集成物,同时要承载客户拍脑袋想出来的需求。
一个反面样本:教务系统
这一讲用了大半场讲南大教务系统。他的定位很直接:史诗级的需求爆炸。
他现场登录演示,一件一件看。
搜索框能用了——这是「史诗级更新」,以前没有。他搜「仙林教学楼的灯一直没解决」,系统回了句正在理解您的问题。他说灯的问题在系统里提过,被基建处打回来了,说不归他们管。
然后是教学任务页面。学生名单里能看到电话号码。他点评:这显然是个糟糕的 feature。
再往下,是无穷多的功能点:编辑联系方式、当前教学学期、最新排课学期、历史授课信息、期末考试签到表、编辑教材、查看大纲。
他随手点了几个,翻出一个 bug:编辑教材的弹窗打不开。大纲页面等了很久才刷出来,他点评这不满足功能性需求。
还有一个更典型的:疫情之前系统里没有「慕课」这个概念。疫情期间领导说需要,就加了慕课;加完之后需要慕课助教;慕课助教又不能当普通教学班助教,于是单独开一条路径。
这就是需求叠加的现场证据——每一条单独看都合理,合起来就是一团乱麻。
为什么学生做不了这个项目
他说以前很难讲需求工程,因为学生见不到真正的客户,也不敢接真项目。
「你不敢拍胸脯说这个给我二十万,我找几个同学把南大教务系统包了。」逾期交付怎么办,达不到功能要求怎么办。
但你不敢,agent 敢。
AI 替你写需求文档
于是他做了一件事:让 agent 去爬教务系统里和教师相关的功能,产出一份需求说明书。
结果他很满意,直接展示:调研方法与证据边界、业务目标与成功标准、详细用例规约、功能需求目录、术语表、配套文件。
他点评了两句,一句是「GPT 是懂软件工程的」,另一句更实在:这已经是一个做好的系统,所以是 slop。
但 slop 里有真东西。
**第一是术语表。**面对客户时,术语很重要——他看不懂的时候可以查,这样至少能对齐。虽然不是 UML,但已经比自然语言强。
**第二是可追踪性。**每个需求都有编号和语义,比如角色、参与者、业务目标。有了编号,你才能建起 traceability,而不是靠一句「教学班和学生管理有关」这种自然语言。
他挑了一条需求念:「当服务支持多种已分配身份时,提供身份选择并显示当前身份。」
**这条很能说明 AI 观察到了什么。**他自己登录时确实见过身份选择——教师、本科生——但从来没想过这会变成一条需求。而这条需求背后是一个真问题:领导要的是「我打开这个页面,什么样的界面对我最舒适」。
这个文档的价值
他给了两个用途。
**一是分派。**前二十条分给一个团队,后二十条分给另一个,然后就能追踪谁落后。
二是——更重要的——它能直接生成一个替身系统。
他让 agent 开一个子 agent,不看任何其他教务系统,只根据这份需求说明书实现一个假的教务系统。结果出来的东西和他刚看的那个挺像:返回全部教学任务、我的教学任务、本科教材管理、编辑记录。
他试了一下编辑,保存成功;试了一下记录缺课次数,输入 1,保存成功——但它没阻止他填一个超过整学期上课次数的数字。
他的总结是这一讲第一个关键论断:
当需求清楚到那个程度,编码、可追踪性、测试这些事,AI 都能帮你搞定。你只需要一份需求。
但也别高兴太早
紧接着他泼了冷水。
如果真要做教务系统,你被迫从零开始,而你没有行业知识。一个五十三岁、本科学历、两年后退休的教务员想要什么,你猜不到。反过来,在这个行业摸爬滚打二十年的公司,知道学位授予的流程怎么变成需求列表——这就是行业壁垒。
技术债从写下第一条需求开始
这里是本讲的重点段落。
他说了一条定律:需求没法一次说清,而且它本身也在变。
他给了一个真实案例,就发生在南大。
离散数学原来是一门课,后来拆成上下两学期两门。拆完之后,准出结果变了,保研要求也变了,新旧衔接不上。
系统里原来的规则是「必须选修离散数学」。现在要变成「选修了离散数学,或者选修了离散数学一」。
而最早做需求时,checklist 上写的是:界面上有一个「毕业要求」,旁边一个下拉框,一个增加按钮,点一下能选一门课。
**在定下这条需求的那个时间点,它完全合理。**但课一拆,它就不能适应了。
于是重构:在下拉框里加一个「或」。每叠加一次,屎山就长高一层。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TD
A["原始需求:<br/>一个下拉框 + 增加按钮"] --> B["离散数学拆成两门"]
B --> C["加一个「或」关系"]
C --> D["重修 / 学分抵扣 / 转院系"]
D --> E["都是「或」和「与」的排列组合"]
E --> F["下拉框变成规则引擎"]上图是这条需求怎么从「一个按钮」长成「一个规则引擎」的。每一格都是真实发生过的追加。
他继续往上叠:重修;学分抵扣(软院也有一门类似的数学课,能不能抵计算机学院的);转院系进来的学生怎么算;能不能只抵「离散数学一」还要求补「离散数学二」。
「你一旦面对这个开放的物理世界,你就没办法了。」
最后的兜底:打电话给工程师
最狠的是这一段。
有个学生因为离散数学卡住,拿不到学位。课已经拆了,春季学期不开那门课,他来不及再修。
领导拍板:这两门课之间可以存在替代关系。
但系统里没有这个概念。最后怎么办——打电话给工程师,让他进数据库把这名学生的毕业条件改成满足。
他补了一句:这个在档案里是可查的,层层审批流程都在。在人类世界的意义上,这个解释是合理的。
这就是软件系统真正的复杂之处。
他自己踩过的那个坑
他讲了自己第一年上课的经历。2018 年,第一次从学生端换到老师端,发现可以给学生设置缺课次数。他想不通为什么要有这个功能——缺课留个签到表当证据就行了,学生手册里写了无故缺课多少可以开除。
于是他绕过了前端校验,把一名学生的缺课次数从 0 改成 1。
不是什么有害操作。但所有能选出这名学生选课记录的页面,全部崩溃,直接 500。
只好打电话给教务处。第二天工程师登录数据库,把那个条目修好了。
他在这里下了一个判断:当你驾驭 AI 的时候会产生一种错觉——AI 确实能往后修,迭代三个版本都没问题。但一旦这个系统在真实世界里跑久了,原来的设计不起作用了,麻烦就来了。软件工程里管这叫「没有银弹」。
架构是什么:把耦合解开
讲完需求,进入架构。
他先破除一个印象:架构听着玄,其实不玄。架构就是控制复杂性,而控制复杂性的手段就是分解。
最小的例子是十行代码。你写一个命令行程序,main 会收到 argc 和 argv。你怎么处理参数?
一个 string compare 一个 string compare 地比?
然后你会想起这世上有 getopt。你会在课上、在实验里、在别人的项目里看到那段代码。
这本身就是一种架构——argv 是一坨复杂的字符串,getopt 把它变成一个简单的 parsing state。他管这叫「抵抗需求变化的方式」:argv 怎么变都行,但这个模式不变。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["argv<br/>一坨复杂字符串"] --> B["getopt<br/>解析状态机"]
B --> C["parsing state<br/>简单结构"]
C --> D["switch + while<br/>业务分支"]上图是这个模式的形状:把复杂性挡在中间,两头都变简单。
他顺手批评了一种教法:老教师讲 C++ 的 lambda,就说「lambda 是 a 加 b 返回 a 加 b」,讲完就没了。这跟没讲一样。因为你不说它为什么存在,学生就学不到任何东西。
尺度一:十行的非递归汉诺塔
他给研究生出过一道题:写一个非递归的汉诺塔。研究生摇头。
他就用这道题比较了四个"实现者"。
| 实现者 | 做法 | 评价 |
|---|---|---|
| 某个推理型模型 | 直接推出「盘号等于 1 加上步号二进制末尾零的个数」,从数学性质入手 | 正确、极度最优,但看不懂 |
| DeepSeek V4 Flash | 用显式栈保存剩余任务,永远执行栈顶 | 非常优雅,就是标准答案 |
| 豆包 | 选了同样的方案,但代码有瑕疵 | 有 bug |
| CSDN 上搜到的第一篇 | 用了一个 move,而标准库里是有 move 的 | 比 AI 的 slop 还糟 |
他自己怎么写?他先讲一个前提:C 语言程序本身是一个状态机。
他操作系统课上花一整节课讲:单个步骤对应操作语义,递归调用一层对应一个良定义的小步语义。所以你可以写一个 C 语言解释器,把任何程序翻译成状态机表示。
然后非递归汉诺塔就没什么难度了——把形式语义翻译成状态机就行。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TD
A["C 程序"] --> B["操作语义 / 小步语义"]
B --> C["状态机表示"]
C --> D["非递归汉诺塔<br/>(一个特例)"]
C --> E["任意程序的解释器<br/>(通用解)"]上图是他这个视角的层次:汉诺塔只是那个通用解的一个简化特例。
所以同一道题有四种表达,差别不在写代码的能力,在你站在哪一层看它。
- 站在数学层:一切是规律。
- 站在语言层:一切是栈。
- 站在语义层:一切是状态机。
他说:这就是为什么架构关乎你跳出问题看问题的能力。
尺度二:两千行的 Excel 二维码
第二个例子他现场打开了一个东西:用 Excel 公式生成二维码。
需求看起来极其明确——一个单元格输入字符串,一堆单元格输出 0/1 序列,拼成二维码。
但这里有大量坑。
**第一,Excel 有版本。**查找学号对应的成绩,以前用 VLOOKUP,后来微软出了 XLOOKUP。所以马上出现一个模糊问题:你是要兼容旧版本(发给那位教务员也能打开),还是只自己用、可以用最新语法写最短的公式?
需求一变,维护就是摧毁性的。原来用 2023 语法写的,要求退回 2019,等于全部重做。两千行可以重做,两千万行嵌入到教务系统里的呢?那就要加人加钱。
**第二,位置也是需求。**如果所有单元格都是硬编码的相对位置,整体往右移一格,立即全部崩溃。
真正的问题在哪里
他说:跳出问题看问题,这其实是一个编译问题。
二维码本身很简单。规范里就那几步:选版本、纠错等级、掩码,然后数据编码(0100 模式 + 字节)、算纠错码、填进矩阵。用 Python 写,二十行。
那为什么在 Excel 里这么难?
因为不存在一个把 Python 编译成 Excel 公式的编译器。Excel 本质上是为财务报表设计的,不是图灵完备计算环境。
而如果用大模型直接「编译」自然语言到公式,就回到了上一讲那个问题:需求一漂移,它就崩。
正解:造一门中间语言
他的做法是:在 Python 和 Excel 之间造一门中间语言。
这门语言是一个表达式树——异或、加法、取某个字符串里的某一位。它有两个后端。
| 后端 | 用途 | 怎么验证 |
|---|---|---|
| 翻译成 Python | 快速验证逻辑对不对 | 直接跑 |
| 翻译成 Excel 公式 | 真正交付 | 每个节点一条公式规则,拼进单元格 |
于是流程变成:先让模型生成这门语言的二维码计算逻辑,翻译成 Python 验证,对了再翻译成 Excel。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
M["模型生成<br/>中间语言表达式树"] --> P["后端一:Python<br/>验证逻辑正确"]
P -->|通过| X["后端二:Excel 公式<br/>逐节点翻译"]
X --> R["单元格里的二维码"]上图是两个后端的同源验证:一份逻辑,两种执行方式,先验后交。
这个架构还带来一个额外好处:**可以优化。**因为它是门语言,你可以写改写规则——循环里每次算都一样的不变量,就提到循环外;性能瓶颈在哪,先用 profile 看,再决定怎么改。
这些全是计算机系统课上学过的概念,在这里又用上了。
尺度三:五十万行的教务系统
最后一个尺度最大。
先看 AI 生成的那个替身系统的架构。他让模型自己评价,答案很自信:经典三层单体、前后端分离,还有几个生产级横切设计——乐观锁、幂等、事务、审计、统一错误处理。
他点评:这确实是有软件工程直觉的。至少是摸爬滚打几年才理解的设计。
但他不认为这是个好架构。
因为本质上它是一个 CRUD 架构:增删改查。
CRUD 为什么不适合教务系统
这一段是全讲的收尾,也是最漂亮的一段推理。
CRUD 的来源很朴素:物理世界是有状态的,一切都是状态机,人也一样。所以信息系统很自然会建模成状态迁移系统——当前状态存在数据库里,一次操作就迁移到下一个状态。
而数据库课教你要消除冗余、做范式分解:引用学生不要用姓名,用学号,因为学号是链接。一个地方改了不用改另一个地方。
**这个架构没有任何错误。**前后端分离,界面就是当前状态的投影。
问题出在「当前」这两个字。
当前状态里,历史全丢了
「当我看当前状态的时候,我看到的是一片祥和的景象。但这个当前状态里,所有的历史它都丢掉了。」
他给了两个具体例子。
例子一:允许毕业这个字段。
学生表里有一列叫「是否允许毕业」。但这个值不是独立事实,它是算出来的:学分够不够、毕业设计状态如何、有没有违纪。每当修了一个学分,这个逻辑都要重算。
教务员需要能导出「现在还毕不了业的学生名单」,好一个一个谈话。这是个典型需求。
但结果是:你知道这个学生可以毕业,你不知道他为什么可以毕业。
计算过程丢掉了。
例子二:院系改名。
计算机系改成计算机学院,在那个表里要把 name 改掉。
不改,所有外键还是指向旧名字;改了,你 2011 年的毕业证明上就印着「南京大学计算机学院」——和事实不符。
不一致会堆积成黑洞
再往下,是更麻烦的事:物理世界发生的事,系统里没有建模。
培养计划通过了、学期开始了、教室还在修不能用了——系统里没有这个概念。只能靠人手工改,改完再把教室重新安排进去。
于是系统里慢慢积累大量不一致的数据,最后变成无法解释的黑洞:明明这个学生没交学费,为什么能毕业?
他补了一句自嘲式的话:南大改成计算机学院的时候,教务系统是瑟瑟发抖的,因为 CRUD 是一个 point of truth,所有事实都在那,改一个字就动全身。
所以他给的正解:event sourcing
他先问一个更基本的问题:既然三种视图是等价的,为什么不存第三种?
| 存什么 | 等价形式 | 现成例子 |
|---|---|---|
| 当前状态 | 数据库表 | CRUD |
| 操作对状态的增量 | delta | git、SVN |
| 操作本身的日志 | write-ahead journal | 数据库、操作系统 |
三种视图等价,而存日志能回放出状态。
于是他给出那个经典设计:event sourcing,从历史事件生成状态,而不是直接维护当前状态。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
E["事实流水<br/>入学 · 退学 · 复学 · 院系调整"] -->|replay| S["任意时刻的状态"]
S -->|裁剪相关历史| V["某个相关视图"]
E -->|永不修改| E上图是它的骨架:事实只追加、不改写;状态是事实的一个投影,随时可以重新算。
这个设计解决了他前面提的所有问题。
**退学又复学。**以前系统里没有「复学」这个操作,只能把记录抹掉,抹掉之后所有关联记录都没了。现在事实不可篡改,replay 就能拿到复学前的状态。
**院系改名。**不用改表。加一条事件叫「2014 年院系调整」,查历史的人查到他毕业时的版本,查现在的人看到新名称。同一个人可以有两个正确答案。
**数据库迁移。**他说这一条最实在——用 CRUD 做迁移的时候手会抖,因为不知道会坏什么。用 event sourcing,做错了随时退回快照。
他也诚实地说代价:replay 有性能问题,要用快照和缓存优化;而且如果已经在屎山上,改成 event sourcing 会非常困难。
最后一句总结:回到最初的 first principle,看清问题的根源在哪,就能做出正确的架构设计。哪怕你从没听说过 event sourcing 这个名字。
这一讲里的四次翻车
原片最有说服力的地方,是它不回避失败。把散落在各处的失败收在一起看,它们指向同一件事。
| 失败 | 表现 | 根因 |
|---|---|---|
| 他自己改缺课次数 | 把 0 改成 1,所有相关页面 500 | 绕过了前端校验,但没人想到这条数据会被别处依赖 |
| 豆包写非递归汉诺塔 | 选对方案,代码有瑕疵 | 方案对不等于实现对 |
| CSDN 那篇教程 | 调用了标准库里已有的 move | 抄来的代码没有经过验证 |
| AI 生成的替身教务系统 | 允许他填一个超过整学期上课次数的缺课数 | 需求文档能定功能,定不了没人想到的约束 |
最后一行尤其值得注意。那份需求说明书已经写得相当完整,替身系统的架构也得到了模型自己的好评,但它依然放过了一个显然不合理的输入。
所以「需求写清楚之后 AI 就能搞定」这句话成立的边界在这里:它能搞定被写下来的部分。没被写下来的约束,不管是因为没想到还是觉得显然,都不会自己出现。
我的三点补充
以下是评注,不是原片内容;取舍由我负责。
**第一,这一讲其实把「架构」重新定义成了一种读题能力。**汉诺塔、二维码、教务系统,三个尺度的例子看起来毫不相干,但解法是同一个动作:把眼前这个具体问题,翻译成一个你已经有工具的问题。汉诺塔翻译成状态机,二维码翻译成编译器,教务系统翻译成事件日志。架构能力不是知道更多模式,是更早认出这是哪一类问题。
第二,那个「AI 替身系统」的实验价值不在炫技。它证明的是需求文档的可执行性:一份写到位的 spec,能让另一个 agent 在不看原系统的情况下造出结构相似的替身。这比「需求文档写得好」这种空话有说服力得多。但它同时也暴露了边界——那个替身没有阻止他填一个超过整学期次数的缺课数,说明需求文档能定功能,定不了那些没人想到的约束。
**第三,event sourcing 那段值得抄下来当判据。**判断一个系统该不该改成事件溯源,不用问技术细节,只问一句:**你是否需要回答「为什么会变成这样」。**只需要知道「现在是什么」,CRUD 就够;一旦要回答「为什么可以毕业」「为什么这个数据对不上」,当前状态里就没有答案,因为它把过程丢掉了。这个判据比任何架构模式的名字都好用。
一句话总结:**需求决定你想去哪,架构决定你能不能在半路改主意。**而这两件事的解法是同一个——跳出问题看问题。