AI 辅助开发的五道坎

AI 辅助开发的五道坎

引子

12 个问题、两天时间、无数次排查。回头看这些坑不是孤立的——它们共同指向五个系统性缺陷。理解了这五道坎，不只是 SD，任何 AI 辅助开发项目都能少走弯路。

缺陷一：最小阻力路径

AI 倾向于给"能跑"的方案，而非"最优"的方案。

每次都选了更短的那条路，每次都为此付出更大的代价。这不是 AI “笨”，是它没有制度约束它选最优解。

缺陷二：版本断裂

代码在"当时"是对的，运行环境已经变了。

• LoRA 地址 404 → 作者删了
• 底模 runwayml 下架 → HF 政策变更
• peft API 废弃 → 社区升级不兼容
• set_lora_device 消失 → 库作者重构

AI 的知识截止于训练数据的时间点。从那个时间点到你运行代码的这一刻，API 可能变了、仓库可能删了、镜像可能失效了。版本断裂是 AI 辅助开发的结构性矛盾，不是偶然。

缺陷三：网络可达性假设崩塌

“能访问外网 → 能访问 HuggingFace → 下载速度快”——三步都是假命题。

• HF 直连超时（DNS / GFW / 路由）
• 镜像源不全（清华源缺某些版本）
• ModelScope 替代可行但需要额外发现成本

AI 默认的网络假设是理想化的全球可达网络。在国内网络环境下，每个环节都是潜在的断裂点。而且错误信息不会直接告诉你"网络不通"，而是以 404、超时、缺文件等间接形式出现。

缺陷四：工具链时间约束失配

shell_executor 超时 vs GPU 推理时长：命令跑到一半被 kill，进程残留，CUDA context 没有释放，下一次运行直接 OOM。

这不是 SD 的问题，是所有"计算时间远大于超时阈值"的任务都会遇到的——模型训练、视频渲染、大数据处理。工具设计时假设的命令执行模式（秒级）与实际 AI 任务的计算模式（分钟级甚至小时级）存在架构级矛盾。

缺陷五：信息不对称

AI 知道但不说的关键信息：

• 下载 27 个文件约 12G 预计耗时 3 小时 → 没说
• ModelScope 替代链接可能存在 → 不会主动提示
• “你可以用 allow_patterns 过滤” → 不会在第一次就提

AI 的知识与用户的决策之间存在信息断层。AI 假设用户"问到了才说"，但用户往往不知道应该问什么。

总结

意识到这五道坎，本身就是进步。下一章聊聊怎么建制度来系统性应对。