软件的演化:航母不是设计出来的,是长出来的
南京大学《生成式软件工程》第十讲整理稿。从一艘 1945 年的航母讲起:运煤船加一层木甲板就是航母的起点,之后每一步都是一个小小的 delta。由此推出理解复杂系统的通用方法——不要正面看今天的庞然大物,去把它想了解的 feature 一路 rebase 到最早的版本上。中段用 Python 2 的 print 和 Linux 0.11 讲同一件事。后半段是本讲的两个现实问题:用不可篡改的 AI trajectory 当新简历(以及它为什么像跟魔鬼签约),以及在 SWE-bench 刷完之后,为什么我们需要一个 taste bench。
本文整理自南京大学《生成式软件工程》第十讲「软件的演化:航母是怎么造出来的」,B 站编号 10-Raw 26。原片长约 99 分钟,字幕 1,364 条、约 3.1 万字。
字幕由语音转写,术语与产品名错听较多。本文按上下文订正;确实无法还原的只描述行为,不猜名字。
上一讲拆了 DSH 的架构。这一讲换了个问法:它怎么会变成这样。
而答案不在代码里,在一艘 1945 年的航母上。
先说一句题外话:数学的美可能是幻觉
开场他讲了个新闻:有人声称找到了一个能压低指数时间假设界限的算法。不是多项式算法——真找到那个,P 等于 NP,世界就塌了——但把那条界限往下压了一点。
由此他讲了一段我很喜欢的推理。
数学课上的「美」,来自一个很小的内核能推出大量结论。而计算理论里那个内核的选择很说明问题:为什么用多项式时间刻画「有效计算」?
因为 n 的平方和 n 的一百次方在理论上是等价的,都属于 P。可 n 等于十的时候,n 的一百次方在现实机器上跑不出任何结果。
那为什么还这么定义?
**因为多项式时间在函数调用下是封闭的。**你在多项式时间里调用另一个多项式时间程序,得到的还是多项式。这个封闭性让你可以自由复用算法库,无论调用多少次。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["多项式时间算法 A"] --> B["调用库里的算法 B"]
B --> C["调用 C"]
C --> D["结果仍是多项式时间<br/>封闭"]上图是这个定义真正的价值:不是因为「多项式」听起来漂亮,而是因为它允许无限次的组合。这是人类为了让自己的大脑装得下,做的一个 work around。
他补了一句更狠的:真实世界的结构其实很差。生物分类学那棵漂亮的树,到了微观层面界限就模糊了,甚至不是树而是图。我们能压缩、能产生智能,也许只是因为我们恰好处在一个平坦的局部。
一个暴论:用 trajectory 当简历
这一段是临场加的,但他讲得比正课还用力。
他的推演起点很实在:过去的教育是一笔家庭投资,你考上大学、被培养、被企业买走。这个循环正在变难——一个资深的人带上 agent,产出超过一个初级的人,企业就没有动力招应届生了。
那学生怎么证明自己?
他的答案:把你的 AI trajectory 拿出来。
具体做法是:从现在开始记录所有和 AI 的对话轨迹,压掉无用输出(工具返回、冗余日志),保留有价值的资产(生成的图片、写出的代码),得到一条属于自己的时间轴。
这条时间轴能告诉用人单位什么?
- 你今天和 AI 聊了物理,明天聊天文,你的想法是什么,AI 给的是什么,你的反馈是什么。
- 你最终产出的代码能不能跑。
- 哪些想法来自你,哪些来自 AI。
他说得更直接:这些 facts 是可以审计的。
几乎无法造假
有人会说,任何制度都有对策。
他的回应很硬:用人单位随机采样。「他说 2026 年 3 月 10 号你跟 AI 讨论了这个问题,你还有印象吗?」只要你真做过,就能说出正确的东西。你伪造了轨迹、真进了面试,一下就会被打回原形。
而且这份记录还能评估潜力。同一个省、同一张卷子、同样分数进来的两个人,四年后一个停留在人生巅峰,一个能力还在不断增长——增长模式会写在轨迹上。
但它像跟魔鬼签约
讲到这里他转了个弯,转向了这段推理最不舒服的地方。
如果他真把和模型的全部对话交出去,那等于把灵魂也交出去了。「某种程度上 OpenAI 会对我做到什么程度、我在这个世界上的位置在哪里,了如指掌。」
再往后推,连交友都不需要见面了:各自派出 agent 先聊一遍,立刻知道观点哪里一致、哪里不一致,然后继续辩论。
而且这件事有无法抵御的诱惑:AI 一边窥探你的内心,一边给你正向反馈,而这恰好让你在竞争中获得优势。
他的总结很克制:这是一个值得大家思考的问题。至少可以先做到只和一个模型分享秘密,然后练一个好的 skill,把 trajectory 蒸馏成简历或网站。
回到正题:航母是什么
他说自己 2019 年在圣迭戈参观中途岛号。那是 1945 年下水的船,二战结束时日本已经投降,它没赶上打,后来服役了很久,1992 年还当过海湾战争的旗舰。
进去之后第一感受是震撼:这样的复杂系统,怎么可能被构建出来。
他注意到航母里不只有电线和通信线,还有蒸汽管线。更要紧的是损管——这是一台战争机器,随时可能被鱼雷和轰炸机打中。
他问了一位在船上服役过的老兵:这么复杂的系统,出了故障怎么维护?
老兵的回答,成了整讲的第一个支点:
设计是天才做的。我们不需要知道它怎么做的,但每个人都会拿到一本操作手册,上面明确写了遇到什么情况该干什么。
比如某处起火,就要把几号阀门从什么状态改成什么状态。
这说明设计者推演过各种可能性,并把推演结果固化成了手册。「那时候我也理解,为什么中国看起来有那么多船,造航母却显得那么困难。」
真正的启发在甲板最底层
但让他顿悟的不是这些,是甲板最底层的一个陈列柜。
里面放着从美国海军第一艘航母到今天最先进航母的模型,一代一代排下来。
**所有航母都不是一天造出来的。**把历史追到最原初那个点,那个点可能非常简单。
运煤船加一层木甲板
这才是全讲的核心画面。
美国第一艘试验型航母,不是专门设计的军舰,而是从一艘运煤船改的。
天才的想法只有一句话:运煤船能载重,那把上层运煤的部分换成木质甲板,不就成跑道了吗。能不能把机场搬到运煤船上。
然后是工程师的推理与实验:跑道要多长才够,飞机放哪。船上空间有限,甲板必须在上面,机库在下面,于是必须有一部电梯把飞机从机库升到甲板。
这个瓶颈一直持续到二战——飞机起飞速度受限于那部电梯。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["桨船 + 帆船<br/>几千年"] --> B["蒸汽船<br/>轮子在船外"]
B --> C["运煤船"]
C --> D["加一层木甲板"]
D --> E["加一部升降机"]
E --> F["钢甲板 · 多部电梯"]上图是这条演化链:**每一格都只改了一个东西。**没有哪一步是「重新设计一艘航母」。
大改动和小改动都是改动
他特别指出:这条链上不只有那种能叫「架构变更」的大步骤,还有大量小步骤。
比如管线设计。哪根管子应该在左边、哪根在右边,会直接影响船的可靠性——一根走高温蒸汽的管子如果保温没做好,会影响别的东西。第一版设计没考虑到,第二版就改了。
**所以既有架构级的重构,也有 bug fix 和子系统重构。**这就是任何系统在设计时都会经历的过程。
你也能大跨步:AI 时代的造法
他在这里插了一句:我们今天也在造航母。
差别在于造的方式变了。
人类几千年是从独木舟开始,发明桨、发明帆、发明舵,一点点加。而今天有算力无限的思维链模型,可以从一个起点直接大跨步往后跳。
所以他给的路径是:先许一个愿,让它造出个东西;跑通之后再回到起点,用严格的过程把每一步做好。
先大跨步拿到原型,再回来补演化史。
理解复杂系统的通用方法
讲完航母,他把话题拉回软件。这一段是全讲最有实用价值的部分。
他的观察是:**所有复杂的东西,都是平滑长出来的。**轮船真的有过轮子,今天还叫轮船但轮子早没了。
所以理解一个庞然大物,不要正面硬看。
把 feature 一路 rebase 回去
他给的方法很具体:你想理解今天某个 feature,就回到一个你能理解的版本,把这个 feature 加上去。
用 git 的话说,就是一路 rebase——把这个提交往后挪、往后挪,挪到今天。
你会发现一件事:在演化史里,绝大部分引入的东西跟你要理解的那个 feature 没什么关系。
因为如果所有东西都搅在一起,软件是不可能维护的。好的架构一定把复杂性分解下去了,所以新加一个 feature 时,它和绝大部分模块的耦合都很松。
你只需要看几个关键提交,看你的 feature 和谁打架了、冲突怎么解决的。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
F["你想理解的 feature"] -->|rebase 到最早的版本| V0["Linux 0.11<br/>什么也没有"]
V0 -->|一步步往后挪| V1["和某个子系统冲突"]
V1 -->|看它怎么解决| V2["理解今天的设计"]上图是这个方法:不是读今天的代码,是重演它被加进去的过程。
Python 2 的 print 和 Linux 0.11
他给了两个例子。
**Python 2 的 print 不是函数,是一个语句。**因为设计者在第一天要做一个「人类好用的编程语言」,print 必须好用——那时候这个语言几乎除了 print 没有别的功能。他不可能想到今天整个 AI 生态都安装在 Python 上。
而 print 是语句这件事,给后续的解析带来了麻烦,所以 Python 3 把它改成了函数。
**Linux 0.11 真的什么也没有。**没有今天教科书里那些 advanced technology。他讲系统调用就回到 0.11 说:所谓系统调用,read 进来就像一次函数调用,执行三个操作,再回去。
他甚至还举了一个更具体的推演。能不能不要每次都穿过操作系统的边界。能不能让操作系统和应用程序共享一页数据:把当前时间和 CPU id 放在这一页里,操作系统每秒写一次,进程读就行。
这个想法在 0.11 的模型上就能想清楚。
他说自己进入这个领域是 Linux 2.6 时代,今天的内核已经是人类理解不了的东西。但理解任何问题时,他还是回到最原始的版本:如果在这个版本里我要做这件事,会怎么做;这么做好在哪、不好在哪;今天该怎么做。
所以他为什么批评现在的数学教学
顺着这个思路,他批评了一种教法:定义、定理、证明。
因为它直接告诉你结论,让你自己去悟,而不告诉你人类走了多少弯路、失败了多少次、最后怎么发现这是对的。
没有历史,你只知道答案,不知道这个答案为什么是这样。
工程师三大浪漫,换成了新的三件
他提了一个老说法:程序员有三大浪漫——自己做一个操作系统、一个编译器、一个数据库。
而今天答案变了。看现在投 AI Infra 岗位的简历,写的多是:在某个开源推理框架上改了什么、迁到多卡、用几块带 NPU 的小卡做并行加速、魔改之后接进自己的系统。
这些事有意义,但很多人没意识到自己在做的,正是同一件事——从一个能跑的循环开始,一层层往上加。
那么人类还该做什么
他在这里提了一个很大的想法。
因为有了计算机,人类第一次可以把「创造一个东西的过程」从头完整记录下来。而 git 恰好是最好的载体。
那么能不能把数学发展的历史做成一份 git?能不能把造船的历史做成 git?能不能把人类知识的历史整理成一张带分支和 rebase 关系的东西?
他说这是还能守住「人类最后一点创造力」的人应该去干的事。
推论:所有东西都是一个个小提交
从这里开始,论证收向软件工程。
既然演化史由提交组成,每个提交就是一个小任务,那么问题变成:AI 能不能把一件小事做好。
SWE-bench 的野心
他给了这个领域最知名的工作:SWE-bench,后来的变体还延伸到更长的任务。它衡量模型在真实 GitHub issue 上的表现。
2023 年那篇论文的设定很朴素:给它 issue、给它代码库、给它一组测试用例,看它能不能产出正确的补丁。那时候还没有 agent 能真正跑起来,输入是整段文本。
结果很惨。他念了表格里的数字:当时主流模型的解决率只有个位数百分比。
但他认为这篇工作最有远见的地方不是那个分数,是它提的问题。
一个领域的新人最容易犯的错,是以为「小任务」不重要。可在演化的意义上:如果你能把这些小事做得非常好,就等于把演化路线里的绝大部分都跑通了。
因为绝大部分提交就是这种小事——程序崩了帮我修、日期计算不准帮我加个闰年、这个功能小改一下。
所以 SWE-bench 隐含了一句话:刷完它,初级工程师就被斩杀了。
它没覆盖什么
他接着问了另一半:什么东西是 SWE-bench 覆盖不了的?
**第一,初始状态。**造航母之前,你脑子里有一个想法,你建一个仓库、放一个初始状态、写一份计划。这件事不好 benchmark。
**第二,重构。**当琐碎的 bug fix 多到你受不了,你开始重构。重构意味着架构变化,可能是局部的,也可能是全局的。
他举了一个很硬的例子:有个项目把底层语言从一种换到另一种,这种规模的迁移居然没出大问题——但也跟项目结构有关,换成 MySQL 那种体量就不行了。
**第三,品味。**大重构该什么时候做、做成什么样算好,这些在人类世界里本身就很稀疏。稀疏就意味着模型没有足够样本去学。
而人类是很好的少样本学习者。他在这里问了一个真问题:模型有没有可能看到一个案例,就重构自己整个「三观」——不是预测下一个 token 该说什么,而是真正学到那一两个案例里表达的东西。
taste bench:下一个要造的东西
于是引出了本讲最后一个概念。
小事解决了,大事还需要一个足够好的品味基准。
理由是:SWE-bench 的奖励是二元的——做完了或没做完,测试通过或不通过。而大决策的反馈极其稀疏,而且没有唯一正确。
要不要上事件溯源?还是加一层缓存?还是靠加机器解决性能问题?这些选择之间不是严格的好坏关系。
他拿考试打比方:不同科目代表不同能力,你的能力是一个向量,不是总分。而真实项目需要的正是取舍——架构改得越大,重构代价和风险越高;要降风险就得改得平和,工期就拉长。
十几个目标要权衡时,没有绝对的好坏。
它还顺带解释了为什么现在的模型不够用
他说 AI 今天能力很强,但分不清轻重。
有时过分自信,觉得搞定了,其实没达到预期。有时过度小心,明明不用那么谨慎,它做了大量测试和验证。
你去纠正它,就出问题了:你但凡说「不要这样」,它就把「不要这样」写进文档、写进代码、写进注释,各写一份。
而不断膨胀的上下文会不停抢注意力。
他用了一个特别生动的比喻解释为什么「不要放蒜」是个糟糕的提示词:
番茄炒蛋,你说不要放蒜。可对模型来说,**不要放蒜、不要放香菜、不要放韭菜、不要放蘑菇,权重是一样的。**而世界上还有无穷多本该出现在上下文里、但你没写的词。
模型不理解这些词之间的重要性差别。
一个真正难的问题:怎么让 AI 自己长出品味
收尾他讲了自己做过的一个实验,我觉得比前面所有论证都实在。
他想做一个「阻止 AI 生成 slop」的 skill。手里有一个天然素材库:他回过的所有邮件。
先试了最直接的办法:把历史邮件全放进上下文,让它照着这个风格写。
**失败了。**模型没有提炼这种风格的能力。
于是他设计了一个递归自改进的循环。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
S["一组可度量的指标<br/>长度 · 句长 · 标点 · 用词"] --> E["让 skill 生成改写稿<br/>不给它看原文"]
E --> M["算每一项指标<br/>离我更近还是更远"]
M -->|更近| K["保留这一版"]
M -->|更远| G["要求它提炼一条通用原则<br/>而不是一条「不要 X」"]
G --> S上图是这个循环的骨架:不靠「不要这样」的负向指令,而是逼它把具体偏好上升为可覆盖的原则。
中间有一个很关键的判断标准:如果它给出一条「不要用 not just X but Y 这种句式」,那没用——那是过拟合一条反例。真正要的是看透本质:我不想要的是「无关的修饰」,那就该写一条能覆盖这一类问题的原则。
他的结论很诚实:**今年还做不到。**但他相信这个循环能成立——如果人类理解复杂系统的方式是「从历史里提炼」,那 AI 也许可以走同一条路。
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,「运煤船加木甲板」这个画面值得当通用思维工具存下来。**它把「架构演化」从一个抽象术语,变成了一句可以自问的话:**这个东西最开始,是别人拿来干什么的?**航母的起点是运煤,Linux 的起点是「免费的 UNIX 克隆」,Python 的起点是「print 要好用」。看清起点,才能看懂后来那些看起来奇怪的设计——它们大多是在应付起点留下的约束。
**第二,rebase 那个方法把「读源码」这件事降到了可执行的难度。**大多数人读不懂大型项目,原因不是智商,是没有入口:几百万行代码,从哪看?他的解法绕开了这个问题——不看今天的代码,看这个 feature 被加进去的那一刻,以及它和谁打架。而且他给了一条很扎实的乐观理由:耦合松散是架构好的结果,所以大部分冲突根本不会发生,你只需要看少数几个关键提交。
**第三,那个「不要放蒜」的比喻,把提示词工程的一个死结说穿了。**你在上下文里写下的每一个否定,都在给模型一个和「不要放蒜」等权的信号,而世界上的其他约束你并没有写。所以负向指令天然不完备。他的递归自改进循环之所以有意思,是因为它换了个方向:**不追加否定,而是逼模型把否定归纳成原则。**这可能是唯一能绕开上下文膨胀的路。
一句话总结:**复杂的系统没有设计者,只有一代代做小改动的人。**所以理解它、改造它、教它,最有效的入口都是它自己的历史。