你有没有这样的经历？当你满怀期待地给AI一个编程任务，得到的代码却让你一头雾水。就像你让助手“帮我写个简单的登录功能”，结果它给你生成了包含OAuth2、JWT令牌和分布式会话管理的庞然大物。这感觉就像在听技术大牛说黑话——每个字都认识，连在一起却看不懂。
这背后隐藏着一个关键问题：AI在编程时携带了大量隐性假设。就像人类程序员会基于经验做出判断，AI模型也在训练数据中形成了自己的“常识”。当我说“写个购物车”，AI默认你会需要库存检查、价格计算、优惠券系统；当我说“做个博客”，它预设你需要SEO优化、评论审核、多语言支持。这些隐性认知就像水面下的冰山，决定了代码的最终形态。
让我举个真实案例。上周我让GPT-4帮我写个“简单的数据导出功能”，结果它生成了包含分页处理、数据格式转换、错误重试机制的完整方案。对专业开发者来说这很合理，但对只想导出一份Excel表格的业务人员来说，这简直是杀鸡用牛刀。AI在这里做了一个重要假设：所有数据导出都应该是企业级的。
这种现象在认知科学中被称为“专家盲点”——专家难以想象新手眼中的世界。AI作为在数十亿行代码上训练出来的“超级专家”，自然携带了这种特质。它假设你知道RESTful API的最佳实践，理解数据库事务的重要性，甚至默认你会部署到云环境。这些假设本身没错，但它们与用户的实际认知水平产生了错位。
那么，我们该如何破解这个困局？我的建议是采用“意图分层”的策略。就像建筑师不会直接跟工人说“盖个房子”，而是先出概念图、再出施工图，我们在给AI下指令时也需要明确所处的抽象层次：是概念设计、功能规格，还是具体实现？当你清楚地告诉AI“我只需要一个演示用的原型”或“这是生产环境的关键模块”，它的输出就会精准得多。
更根本的解决方案，是推动氛围编程范式的成熟。我们要把编程从“代码生成”升级为“意图表达”，让AI真正理解我们想要什么，而不是它认为我们应该要什么。这需要更丰富的上下文传递、更精确的能力描述，以及——最重要的——更透明的假设披露。想象一下，如果AI在生成代码时能主动说明：“基于企业级应用的最佳实践，我添加了以下安全措施…”那该多好。
说到底，编程语言的进化史就是不断降低认知负荷的历史。从机器码到汇编语言，从高级语言到可视化编程，每一次进步都让更多人能够参与创造。氛围编程正在开启新的篇章，而破解“AI黑话”现象，正是这个过程中必须跨越的障碍。
下次当你觉得AI在说黑话时，不妨停下来想想：是它的假设太超前，还是我的表达太模糊？也许，真正的解决方案就藏在这个问题的答案里。