AI 輔助開發的核心原則：驗證成本決定適用範圍

在探索 AI 輔助開發的過程中，我逐漸發現一個關鍵限制：自然語言本身充滿歧義，在沒有經過反覆確認與互動的情況下，做出來的東西只會越來越偏離預期。

累積偏差的數學模型

有一個有趣的計算方法是這樣的：如果第一次描述只有 90% 的準確度，而每次描述要作的事情都「照感覺」描述 90%，那麼 10 次之後就是：

0.9^10 ≈ 0.3487 ≈ 34.87%

這意味著，如果缺乏明確的反饋循環，誤差會以指數級的速度放大。這不是理論上的擔憂，而是實際開發中經常遇到的問題。

核心原則：驗證成本決定適用範圍

經過實際的開發經驗，我總結出一個核心原則：

運用 AI 進行任何作業，都必須是你能用極小時間成本判斷 AI Output 是否正確的範圍，你才可以扎實地把大樓蓋好。

這個原則的關鍵在於：如果驗證成本高於手動完成的成本，那麼使用 AI 就不划算了。 驗證成本決定了 AI 的適用範圍。

低驗證成本的場景

1. 代碼生成

  • 語法檢查：編譯器/TypeScript 立即報錯
  • 簡單邏輯：一眼就能看出對錯
  • 重構任務：測試套件自動驗證

2. 內容生成

  • 格式檢查：Markdown/HTML 渲染即知
  • 事實查證：可以快速 Google 驗證
  • 結構化數據：JSON Schema 驗證

3. 文檔生成

  • 格式正確性：肉眼可見
  • 連結有效性：點擊測試
  • 語法檢查：拼寫檢查工具

高驗證成本的場景（需謹慎）

  1. 複雜業務邏輯：需要深入理解領域知識
  2. 安全相關代碼：需要安全審查
  3. 性能優化：需要基準測試
  4. 架構設計：需要長期驗證

在 VibeBlog 專案中的實踐

讓我以 VibeBlog 專案為例，分析哪些部分最符合「低驗證成本」原則：

1. TypeScript 類型系統

export interface PostMeta {
  slug: string;
  title: string;
  titleEn?: string;
  date: string;
  tags: string[];
  tagsEn?: string[];
  summary?: string;
  summaryEn?: string;
  heroImage?: string;
  description?: string;
  descriptionEn?: string;
}
  • 驗證成本：幾乎為零（編譯器自動檢查）
  • 錯誤立即暴露，無需手動測試

2. JSON 元數據結構

每篇文章的 metadata 都是結構化的 JSON：

  • 驗證成本：極低（JSON 格式檢查 + 肉眼掃描）
  • 結構化數據，容易發現缺失字段或格式錯誤

3. 視覺化輸出（Svelte 組件）

所有 UI 組件都可以直接在瀏覽器中查看：

  • 驗證成本：低（打開瀏覽器即可看到）
  • 符合實際操作驗證原則：用 chrome-devtools 打開瀏覽器實際操作看看

4. 標籤索引生成腳本

// 寫入 tags.json (中文)
const indexPathZh = path.join(INDEXES_DIR, 'tags.json');
fs.writeFileSync(indexPathZh, JSON.stringify(tagsIndexZh, null, 2), 'utf-8');

console.log(`✅ 成功生成標籤索引`);
console.log(`   - 中文標籤數量: ${tagCountZh}`);
console.log(`   - 英文標籤數量: ${tagCountEn}`);
console.log(`   - 文章數量: ${totalPosts}`);
  • 驗證成本：低（查看輸出 JSON + 控制台統計）
  • 輸出是結構化數據，容易驗證

5. HTML 內容生成

Markdown 轉 HTML 的過程：

  • 驗證成本：低（打開 HTML 文件或瀏覽器查看）
  • 格式轉換結果可立即檢查

需要更高驗證成本的部分

當然，專案中也有一些需要更高驗證成本的部分：

  1. 內容邏輯正確性：文章內容是否準確（需要領域知識）
  2. 路由邏輯：URL 參數處理是否正確（需要測試多種情況）
  3. 語言切換邏輯：中英文切換是否完整（需要測試所有頁面）

策略建議

基於這個原則，我建議：

  1. 建立自動化驗證：測試、lint、類型檢查
  2. 視覺化輸出：用瀏覽器實際操作確認
  3. 小步迭代：每次只做可立即驗證的小改動
  4. 明確的驗證標準：定義「正確」的客觀標準

結論

AI 的價值在於放大你的判斷力，而不是替代它。 只有在你能快速驗證的範圍內，AI 才能成為可靠的工具。

這個原則不僅適用於代碼開發，也適用於任何使用 AI 輔助的工作。記住：驗證成本決定了 AI 的適用範圍。 只有在低驗證成本的範圍內，你才能扎實地完成工作，避免累積偏差帶來的問題。

這篇文章是基於實際開發經驗的總結，希望對正在探索 AI 輔助開發的開發者有所幫助。