Y Combinator 总裁 Garry Tan 最近发了一篇长文，分享他过去一年用 AI 写代码的核心心得。这篇文章信息密度极高，里面有一个非常重要的概念，他管它叫“复杂度棘轮”（Complexity Ratchet）。这个概念不仅对程序员有用，对任何想用 AI 做复杂工作的人都有启发。

1、一个人做出了什么

先说背景。Garry Tan 做了两个开源项目：GStack（让 AI 编程 agent 更好用的框架，93K GitHub stars）和 GBrain（把你读过和写过的所有东西变成 AI 可搜索的知识库，14K stars）。两个项目加起来大约 97 万行代码，665 个测试文件。基本全部由 Claude Code 和 Codex 在他的指挥下完成，他大部分时候同时开 15 个并行的 Conductor 会话。

这在传统认知里是不可能的。软件工程有一条古老的信条：速度和质量只能选一个。快就会出 bug，稳就得慢。但 Garry Tan 说，现在你不用选了。关键在于 90% 的测试覆盖率，而 AI agent 让达到这个覆盖率变得几乎零成本。

2、什么是“复杂度棘轮”

棘轮是一种机械装置，只能往一个方向转动。扳手拧螺丝的时候，螺丝只能往前拧不能往后退，就是这个原理。

Garry Tan 把这个概念搬到了 AI 编程里。他说，每次 AI agent 写代码的时候，同时会产出三样东西：

第一，测试。这些测试定义了什么叫“正确”。每次有人改代码，测试都会自动跑一遍，如果改坏了什么，测试会立刻报错。

第二，文档。记录的是“为什么这么做”，包括背后的推理和取舍。

第三，评估结果。建立一个质量基线，比如这次输出质量是 6.8 分，下次必须比这个高。

下一次 agent 再来改代码的时候，它会把这三样东西全部加载到上下文里。测试不过就不能提交，文档就在眼前不能忽略，质量低于基线就会被发现。于是质量底线每一轮都在上升，永远不会下降。这就是棘轮效应：只能往前，不能后退。

3、一个具体的例子

GBrain 有一个功能叫“认识论提取”，就是从大量文本里提取“谁相信什么，置信度多高”。比如“Garry 认为比特币会涨到 30 万美元（置信度 0.45）”，“Jared 认为这家创业公司留存率很强（置信度 0.80）”。它要从 28000 页文档里做这件事。

第一版跑出来，用 GPT-5.5 和 Claude 交叉打分，质量 6.8 分（满分 10）。最大的问题是“持有者混淆”：一个观点到底是谁说的？是写文章的人自己的观点，还是他引用别人的，还是系统从播客转录稿里推断出来的？第一版有 35% 的概率搞混这个区分。

于是评估结果被记录下来，6 个具体的失败模式被识别出来，第二版的 prompt 针对性地修复了所有 6 个问题，置信度分数的精度规则在数据库层面做了强制约束，17 个测试锁定了这些规则。

从此以后，任何未来版本的代码都必须通过这 17 个测试才能上线。没有人需要记住“持有者混淆”是什么，也没有人需要记住为什么置信度必须用 0.05 的步长。测试替你记住了一切。质量底线永久性地上升了一格。这就是棘轮转了一圈。

4、为什么是 90% 这个数字

Garry Tan 引用了 Capers Jones 对超过一万个软件项目的研究数据。这个研究测量的是“缺陷移除效率”（DRE），也就是 bug 在到达用户之前被抓住的比例。

数据显示，覆盖率在 70% 以下时，DRE 大概在 65%-75%，意味着每 4 个 bug 里有 1 个会漏到用户手里。但到了 85%-95% 的区间，DRE 跳到了 92%-97%。这个关系不是线性的，在 85% 附近有一个明显的拐点，过了这个点，漏网的 bug 数量会断崖式下降。

航空软件行业几十年前就发现了这一点。FAA 对飞行关键系统的标准 DO-178C 要求极高的覆盖率，原因很简单：数据表明，低于某个覆盖率阈值，关键缺陷的逃逸率高到“和不死人这个目标不兼容”。

他还用了制造业的六西格玛做类比。3 sigma 的流程每百万件产品有 67000 个缺陷，4 sigma 降到 6200 个，5 sigma 降到 233 个。从 4 到 5 sigma 的跳跃不是渐进式改善，是相变。测试覆盖率也一样，从 70% 到 90% 带来的不是 30% 的改善，是一个数量级的缺陷减少。

5、AI 为什么能打破“意志力墙”

这里有一个关键的历史背景。研究 Windows Vista 的学者发现，虽然高覆盖率确实能减少 bug，但达到 90% 以上的努力成本会急剧上升。最后那 20% 的覆盖率需要的工作量远超前面 70% 的总和。这就是为什么过去 50 年里，大多数团队到 70%-80% 就停了，觉得“够好了”。

但 AI agent 不会感到疲惫。它不会在写第 14 个边界条件测试的时候觉得无聊。它不会在周五下午 5 点偷工减料。它不会看到一个复杂的集成测试然后想“以后再说吧”。那堵挡住人类团队的“意志力墙”，对 AI 来说根本不存在。

所以真正的突破不在于 AI 让你写代码更快。很多人已经注意到了这一点。真正的突破在于，AI 让你能以一种过去成本高到不可持续的水平去验证代码质量。90% 覆盖率过去是奢侈品，现在是默认设置。过去需要英雄般的努力，现在只是一个普通的周二。

6、测试的范围远比你想象的大

大多数人想到测试，想到的是“我的函数返回的数字对不对”。但 Garry Tan 展示了一个更大的图景：任何计算机能观察到的东西，都可以被测试，都可以被棘轮化。

操作系统层面：数据库迁移有没有创建正确的表？定时任务有没有按时触发？进程还活着吗？

浏览器层面：页面渲染了吗？agent 有没有正确填写表单？

API 层面：模型返回的 JSON 格式对吗？schema 对吗？

行为层面：AI agent 有没有遵守协议？有没有在删除之前先问用户？被叫停的时候有没有停下来？

他举了一个特别有意思的例子。GStack 有一个功能叫“交互式计划评审”，你让 AI 审查你的架构方案，它应该一节一节地跟你讨论，提问题，挑战你的假设。但 Claude Code 有时候会跳过整个交互环节，直接把所有发现一口气倒出来就退出了。

怎么测试“AI 有没有跟你对话”这件事？传统测试框架根本做不到。

Garry Tan 用 Bun 的 TTY 功能造了一个测试框架，在伪终端里启动 Claude Code，喂给它一个具体的代码场景，触发评审功能，然后实时观察终端输出。如果 agent 没有提出任何交互式问题就结束了，测试就失败。这已经不是在测代码逻辑了，是在测 AI agent 有没有遵守行为契约。

7、测试就是不会离职的“组织记忆”

传统软件公司里，组织记忆存在人的脑子里。那个知道缓存层为什么这么设计的高级工程师，那个记得某次数据库迁移差点炸掉的架构师，那个能解释计费系统里奇怪边界条件的技术负责人。

人会离开。退休、被挖走、倦怠。人走了，知识就跟着走了。每个软件公司都遇到过这种情况：打开一个关键文件，看到一行注释写着“不要改这里，问 Dave”，而 Dave 三年前就走了。

测试套件不会离职，不会被挖走，不会忘记。当测试里编码了“置信度分数必须用 0.05 的步长”，文档里解释了“因为交叉评估显示虚假精度会降低用户对置信度分数的信任”，这个知识就是持久的。任何 agent，任何模型，任何时候都可以加载这个上下文并理解这个约束。

对于一个人的项目来说，测试更加关键，因为它是你唯一的组织记忆。

8、Vibecoding 为什么会失败

Andrej Karpathy 发明了一个词叫 vibecoding，就是用自然语言描述你想要什么，让 AI 生成代码。Garry Tan 说他自己就是这么写代码的，这个方法很强大。但他在 YC 的申请项目和开源仓库里观察到，大多数跳过测试的 vibecoding 项目，一旦达到中等复杂度（几千行代码，几个相互交互的功能），就开始崩塌。

原因很简单：它们跳过了棘轮。没有测试，没有文档，没有评估。Agent 在不断增加复杂度，但没有任何东西阻止退化。每加一个新功能都有可能破坏旧功能，而没有测试的话，你要等到用户来报 bug 才知道。到了 0.5 版本，代码库就变成了一栋鬼屋，改任何地方都会在意想不到的地方出问题。然后开发者写一篇博客说“AI 编程根本不行”。

AI 编程没问题。他们只是没有建棘轮。

9、软件复杂度的天花板被抬高了

过去，一个软件系统能有多复杂，取决于一个团队能同时在脑子里装下多少东西。现在，这个上限变成了一个人加上能把完整代码库、schema 历史、测试套件和文档全部加载到上下文里的 AI agent。

这是一个大得多的数字。而且随着上下文窗口越来越大、模型推理代码的能力越来越强，这个数字还在持续增长。

Garry Tan 最后说了一句很重的话：任何软件公司如果还没采用这套模式（agent + 品味 + 只升不降的测试套件），在速度和质量上已经输给了一个用这套方法的单人开发者。

### 这件事对我们意味着什么

跳出编程的语境来看，棘轮这个思维模型其实适用于任何需要持续积累质量的工作。写作、研究、产品设计，任何领域里你都可以问自己：我有没有一个机制，能确保质量只升不降？我上一次犯的错误，有没有被编码成某种“测试”，让我下次不可能再犯同样的错？

过去这种机制依赖人的记忆力和自律性，所以很难持续。但现在 AI 可以帮你维护这套系统。关键是你得主动去建它。大多数人用 AI 的方式是“帮我做完这件事”，然后就结束了。但如果你在每次完成任务的同时，让 AI 帮你把“什么是对的、为什么这么做、质量底线在哪里”也一并记录下来，你就在建自己的棘轮。

50 年来，90% 的验证覆盖率是航空和医疗设备行业的专属奢侈品，只有那些有预算把大量人力投入到“意志力墙”上的团队才能做到。AI agent 把这堵墙拆了。让软件可靠的那个覆盖率阈值，不再昂贵，它只是一个设置项。问题不再是“你能不能负担得起 90%”，问题变成了“你能不能负担得起没有 90%”。

#科技先锋官# #How I AI#