Ratchet Code

生产流量即规范

遗留代码没有文档，也没有测试。可它此刻正在运行。一个月记录完善的日志就是规范——用生产流量捕获当前行为，生成 Hurl 集成测试，你便能在一行代码都不读的情况下，固定遗留系统的功能，为重构铺下安全网。

AI 会说"已经全部完成了"。可实际上并没有结束。本文教你亲手打造解决这个问题的工具——Quest CLI。从原理（为什么）到 cobra 命令骨架（怎么做），仅凭这一篇文章，就能让智能体造出一个 Go 编写的 Quest CLI。huma 就是实战示例。

用 vibe coding 做的应用崩了。不需要重建。诊断它、锁定它、一步一步地走出来。

企业 IT预算的60~80%用于守护锁死的legacy。因为打不开。AI泡沫的真正含义不是模型变聪明——而是企业锁死的记忆正在变得可达。

人类读起来好的代码和AI Agent操作起来好的代码是一回事吗？不是。一个文件里有20个函数时，Agent性能下降30~85%。办公室要变成工厂。

Harness engineering是围栏，能防止代理越界，但无法确保它到达目的地。Reins Engineering是缰绳——用确定性契约引导方向，用棘轮锁定行为，将决策与实现分离。

Vibe coding在3个月内因逻辑漂移而崩溃。CMU、METR、DORA、Amazon的案例证明了这一点。用Hurl将API契约声明为纯文本并用棘轮锁定，在不限制AI自由的前提下结构性地抑制漂移。

LLM的谄媚偏差不是缺陷而是资产。将IFEval衡量的指令遵循能力与确定性反馈相结合，即使4.5B本地模型也能产生生成正确代码的收敛循环。

LLM的谄媚偏差不是bug。它是RLHF的数学必然，也是大型科技公司没有动力修复的商业功能。这就是LLM-as-Judge在结构上不可能实现的原因。

一个 CLI 工具：索引所有函数、检测测试有无、测量覆盖率、向 LLM 代理提供精确反馈。一条命令为遗留代码构建回归防线。