AI 编程：AI 写复杂页面不难，难的是证明这版是对的，更不能越修越像抽卡开盲盒

最近不少尝试用AI agent承接完整项目开发的开发者都有同感：刚上手时觉得效率惊人，真正跑通需求迭代、回归测试、多端适配全流程后才发现，AI生成复杂页面代码早已不是难题，真正磨人的是证明当前版本代码完全符合预期，更怕越修改越偏离最初需求，如同抽卡开盲盒般不确定性极强。

实测AI编程：需求迭代越往后越像开盲盒？

这种“盲盒感”来自多个维度的不确定性：同一句prompt在不同时间、不同上下文下可能生成完全不同结构的代码，新增一条约束规则时，AI还经常顺手改崩其他原本正常的功能模块；开发者为了约束AI的输出，不断加长prompt规则，最后聊天记录的长度比项目代码还长，反而成了最难维护的“项目资产”。
Sonar 2026年的开发者调研数据也印证了这种矛盾：72%使用过AI编程工具的开发者已实现日均使用，受访者表示平均42%的代码由AI生成或显著辅助完成；但与此同时，96%的用户对AI生成代码的功能正确性持不完全信任态度。
哪怕是前端页面复刻这类看似简单的需求，问题同样明显：截图只能说明页面“看起来像什么”，很难稳定传递间距、层级、组件关系、可复用模块等关键信息，参考页面越复杂，AI越容易把视觉还原成一堆零散临时样式，远达不到工程级交付标准。

核心堵点：可控性与验证成本远超生成效率？

这种矛盾的核心是AI编程的“可控性缺口”远未被补上，具体体现在三个层面：

• 工程一致性缺失：AI可以快速搭建项目骨架，但无法主动遵循团队统一的工程规范，容易出现本地能跑、换环境报错的问题，环境变量、启动参数、跨域配置等“项目常识”都需要人工兜底；更常见的情况是，开发者以为AI在修复bug，实际它在未经确认的情况下