AI 辅助开发的五道坎
引子
12 个问题、两天时间、无数次排查。回头看这些坑不是孤立的------它们共同指向五个系统性缺陷。理解了这五道坎，不只是 SD，任何 AI 辅助开发项目都能少走弯路。
缺陷一：最小阻力路径
AI 倾向于给"能跑"的方案，而非"最优"的方案。
| 场景 | AI 默认方案（短路径） | 正确方案（长路径） | 代价 |
|---|---|---|---|
| 环境激活 | conda activate（有时不生效） |
绝对路径（永远生效） | 排查耗时 |
| PyTorch 安装 | pip -i 覆盖索引（可能装错版本） |
--extra-index-url（正确但参数长） |
4.6G 白下 |
| 模型下载 | snapshot_download 无过滤 |
allow_patterns（需先分析文件清单） |
浪费 60% |
每次都选了更短的那条路，每次都为此付出更大的代价。这不是 AI "笨"，是它没有制度约束它选最优解。
缺陷二：版本断裂
代码在"当时"是对的，运行环境已经变了。
- LoRA 地址 404 → 作者删了
- 底模
runwayml下架 → HF 政策变更 peftAPI 废弃 → 社区升级不兼容set_lora_device消失 → 库作者重构
AI 的知识截止于训练数据的时间点。从那个时间点到你运行代码的这一刻，API 可能变了、仓库可能删了、镜像可能失效了。版本断裂是 AI 辅助开发的结构性矛盾，不是偶然。
缺陷三：网络可达性假设崩塌
"能访问外网 → 能访问 HuggingFace → 下载速度快"------三步都是假命题。
- HF 直连超时（DNS / GFW / 路由）
- 镜像源不全（清华源缺某些版本）
- ModelScope 替代可行但需要额外发现成本
AI 默认的网络假设是理想化的全球可达网络。在国内网络环境下，每个环节都是潜在的断裂点。而且错误信息不会直接告诉你"网络不通"，而是以 404、超时、缺文件等间接形式出现。
缺陷四：工具链时间约束失配
shell_executor 超时 vs GPU 推理时长：命令跑到一半被 kill，进程残留，CUDA context 没有释放，下一次运行直接 OOM。
这不是 SD 的问题，是所有"计算时间远大于超时阈值"的任务都会遇到的------模型训练、视频渲染、大数据处理。工具设计时假设的命令执行模式（秒级）与实际 AI 任务的计算模式（分钟级甚至小时级）存在架构级矛盾。
缺陷五：信息不对称
AI 知道但不说的关键信息：
- 下载 27 个文件约 12G 预计耗时 3 小时 → 没说
- ModelScope 替代链接可能存在 → 不会主动提示
- "你可以用
allow_patterns过滤" → 不会在第一次就提
AI 的知识与用户的决策之间存在信息断层。AI 假设用户"问到了才说"，但用户往往不知道应该问什么。
总结
| 缺陷 | 本质 | 影响 |
|---|---|---|
| 最小阻力路径 | AI 默认选最短方案 | 每次都选次优解 |
| 版本断裂 | 训练数据时间戳 vs 运行环境 | 代码"当时对"现在错 |
| 网络假设崩塌 | 默认全球可达 | 每个网络环节都可能断 |
| 工具时间失配 | 秒级超时 vs 分钟级计算 | 进程被杀，前功尽弃 |
| 信息不对称 | AI 知道但用户不知道 | 决策盲区 |
意识到这五道坎，本身就是进步。下一章聊聊怎么建制度来系统性应对。