AI Agent 很擅长模仿当前代码库。问题是，它不会天然判断哪些模式是历史包袱，哪些模式是团队真正想保留的规范。如果坏模式已经存在，AI 可能会更快地复制它。
什么是工程熵
工程熵可以理解为系统内部越来越多的细小不一致：重复函数、临时命名、过时文档、字段含义漂移、测试无法覆盖真实行为。AI 提高产出速度后，这些小问题也会以更快速度增长。
文内插图：把散乱的项目状态整理成可维护、可复用的工程结构。| 漂移现象 | 短期感觉 | 长期后果 |
|---|
| 复制旧 helper | 快 | 重复逻辑越来越多 |
| 跳过字段契约 | 省事 | 前台显示伪真相 |
| 不更新文档 | 少一步 | 下一轮 Agent 读到旧规则 |
| 只看测试不看页面 | 像是通过 | 用户看到的页面仍然错 |
发现重复/漂移写成规则补检查脚本小步重构再次验证
熵管理不是大重写，而是持续把人类品味编码成规则。个人项目怎么做
- 每次发现 AI 犯同样错误，先更新 AGENTS.md 或相关规则。
- 每个阶段结束前做一次 diff review，删除临时输出和无关改动。
- 把高风险问题变成脚本，例如内容门槛、链接检查、截图治理。
- 重构要小步，不要等代码已经不可读才一次性推倒。
源文档学习快照
这一节由当前 GitHub 源文档生成，用来保证教程正文能跟随仓库变化刷新。当前主源文档：concepts/03-entropy-and-garbage-collection.md。
核心概念问题失败方案：人工清理成功方案：编码 + 自动化"黄金规则"（Golden Rules）垃圾回收流程
当源仓库文档更新后，这里的结构和摘要会在同步任务中重新生成。| 当前源文档 | 读者应关注 | 同步含义 |
|---|
| concepts/03-entropy-and-garbage-collection.md | 智能体会复现仓库中已存在的模式——包括坏模式。 | 源文档 SHA 会写入文章 meta，正文快照会随同步任务刷新。 |
- 问题
- 失败方案：人工清理
- 成功方案：编码 + 自动化
- "黄金规则"（Golden Rules）
- 垃圾回收流程
GitHub Markdown：concepts/03-entropy-and-garbage-collection.md
概念 3：熵管理与垃圾回收
问题
智能体会复现仓库中已存在的模式——包括坏模式。
随着时间推移，不可避免地产生漂移（drift）：
- 重复的辅助函数散落各处
- 不一致的错误处理风格
- 基于猜测的数据结构（YOLO 式探测）
- 过时的文档与实际代码不符
失败方案：人工清理
团队每周五花 20% 时间清理"AI 残渣"。不出所料，不具备可扩展性。
成功方案：编码 + 自动化
"黄金规则"（Golden Rules）
带主观意见的机械规则，编码进仓库：
- 共享实用程序包 > 手写辅助工具 — 不变式集中管理
- 不做 YOLO 探测 — 在边界验证数据，或使用类型化 SDK
- 偏好自有实现的关键子集 — 与自有遥测集成、100% 测试覆盖、行为完全可预测
垃圾回收流程
定期后台 Codex 任务
→ 扫描偏差
→ 更新质量评分
→ 发起重构 PR
→ 大多数 1 分钟内审查 + 自动合并
类比
技术债 = 高息贷款
- ✅ 每天小额偿还（持续垃圾回收）
- ❌ 累积到痛苦时一次性清偿（重写/大重构）
关键洞察
人类的品味一旦被捕捉（编码为规则），就会持续应用于每一行代码。
品味的传播路径：
人类审查评论 → 文档更新 → lint 规则 → 自动应用于所有代码
