前两篇雑談都是在讲「被骗」——被六个数字骗、被四个合理的解释骗。这一篇不是查 bug,是跟自己较劲一个词。

我们在建一套新平台,用来逐步替换一套跑了四十年的零售核心系统。目标文件里写着一句话:「专注于提供独自优势,积累提供价值。」我盯着「独自优势」这四个字看了很久——它到底是什么?如果只是把老系统重写一遍,凭什么叫「独自」?而且,在人人都在用 AI 的今天,这套优势会不会明天就不值钱了?

把想清楚的过程记下来。结论先放这儿:它的优势从来不是「一个更干净的系统」,而是三根柱子;而 AI 时代不但没让它们过时,反而把它们大幅提价了——前提是别走错路。

老系统做不到的三件事

先说老系统。它用四十年换来了「沉淀下来的业务规则」,代价是:夜间批处理、消息消费即消失、所有东西塞进一个 JSON 列、业务逻辑和框架代码焊死在一起。

这套结构意味着它永远做不到三件事。而这三件,恰好就是新平台的独自优势。它们还是一条递进的链——第三根站在前两根上。

一、实时:不是「快」,是两件别的事

很多人一说实时就理解成「快」。不是。实时的本义是两件事:由事件到达触发(而不是时钟轮询),且延迟满足某个截止期。快慢只是表象。

有人会追问:那我批处理做到每 100 毫秒一次,算不算实时?这个问题很好,答案分两层。按「结果」看——如果业务要求 200 毫秒内,100 毫秒微批满足了,那它对这个场景就是实时的。按「机制」看——它仍然是轮询:处理的是「过去 100 毫秒攒下的那一组」,延迟是锯齿状的,失败影响的是「一组」。

但真正值得争的不是「100 毫秒微批 vs 真流式」,那点差别小到不值得争。值得争的是小时级 vs 秒级。老系统是夜间批,数据最旧能旧一整天;新平台是事件驱动,最旧几秒。差了四五个数量级。

所以更该用的词是新鲜度——下游看到的数据,最旧能旧多久。这是店长、是经营能直接感知的东西。

怎么做好?事件驱动而非高频轮询;盯尾延迟和新鲜度,别只看平均值;还有最容易被忽略的一条——实时是需求,不是信仰。门店发注要秒级(有人在等响应),月末结账容许小时级。在不需要的地方硬上实时,就是过度设计。

二、可证明正确:它不是监视,也不是链路追踪

这根柱子最容易被误解成「我们有监控啊」。不是一回事。

• 监视回答:系统活着吗、快吗?
• 链路追踪回答:这一条请求走了哪条路?
• 可证明正确回答:结果对吗?有没有悄悄丢、悄悄错?

三者正交。这是整件事的核心——

监控全绿,数据照样可以静默错。

我手上有一堆证据。一条写入链路丢了 16% 的数据,错误码被静默吞掉,监控零报警;一个导出到外部的接口出过七件静默损坏——文字编码错了、补零丢了、下划线被换成空格把一整列邮箱打烂、还有带圈数字让几十行整体错位;一条异步转换管道,服务在跑、消息在流、链路追踪全通,可目标表就是一行没进。

每一个,单个操作都返回「成功」。因为监控只证明「管道在流」,它从不证明「流出来的东西是对的」。

打个比方:监视是「工厂的机器在转、没着火」;可证明正确是「我点过货,数量对、每件过了质检」。一个运转正常的工厂,照样能发错货、少发货。

怎么做好?把对账做成常驻服务,每天把「源 ≡ 目标」的差额曝成一个数字,而不是出事时才抽查;管道内部内联不变量(件数守恒、借贷相等),违反就大声失败,而不是默默吞掉;用 key 对连,永远不信「两个集合的重叠率」那种会撒谎的指标;最强的一招是可重放——能从源头重建出目标,逐字节一致,这既证明了变换对,又证明了数据能恢复。最后,把「正确率」做成和「可用率」并列的 SLO。

三、AI-native:它不是「用 AI 写代码」

这根柱子被滥用得最厉害。先把一个困惑拆开:「用 AI 写代码」和「系统本身 AI-native」,是两个完全不同的东西。

用 AI 写代码,是辅助,是今天人人都有的基线。它衡量的是你的团队多快,不是你的系统有多独特。把「我们用 AI 写代码」当卖点,等于把「我们用 Git」当卖点。

真正的 AI-native 说的是系统本身:核心决策由模型做、数据是为了喂模型而构造的、有学习闭环、AI 是一个带护栏能回滚的一等运行时组件。

两个判别法,很好用:

1. 把 AI 拿掉,核心价值还在吗?还在 = 辅助;没了 = native。
2. 决策是人写死的 if-else,还是从数据里学出来的?

拿发注举例。辅助版:系统把历史销量摆给店员看,店员自己决定订多少——人是决策者。Native 版:需求预测模型直接算出推荐量和合理库存,自动下单,缺货和废弃的结果再回流进模型——模型是决策者,而且有闭环。

我们现在是什么状态?系统已经能返回推荐数量、合理库存、自动发注标记了——有雏形。但要够格叫 native,还缺「推荐 vs 实际」的度量和再训练闭环。换句话说,现在是「有推荐」,还不是「会学习的推荐系统」。差的就是那个闭环。

怎么做好?让模型做核心决策(发注量别再写死规则,人只管例外和审批);为模型构造数据(事件化,并记录「预测了什么 vs 实际发生了什么」——注意,这一步和第二根柱子、和事件溯源是同一件事);建闭环;让 AI 的每个决策都能对账、能回滚(它会犯错);对外做面向 agent 的、可审计的接口,让 AI 能安全地「行动」,而不只是「读」。

关于最后这点多说一句。普通接口假设「一个聪明的人读文档、写一次正确的胶水代码」;面向 agent 的接口假设「一个会犯错的模型在运行时自己决定怎么调」。前者把知识留在人脑和胶水代码里,后者必须把知识——这是干嘛、何时该用、怎么安全撤销——全搬进接口本身,机器可读。这不是在普通接口外面套个大模型壳,而是把隐性知识显性化,再为会犯错的调用方加上护栏。

为什么 AI 时代反而放大这三根柱子

想明白三根柱子之后,真正让我改变判断的是下一个问题:AI 时代,这套优势还成立吗?

我的答案比「成立」更强:AI 不是削弱它们,而是把它们大幅提价了。 因为护城河正在迁移——

代码便宜了,基座才是护城河。

AI 让代码廉价化,谁都能生成——老系统那「四十年沉淀的业务规则」也因此没那么不可替代了。同时它让干净、结构化、实时、可证明正确的数据,以及专有的反馈闭环,变得更值钱。而这些,正是新平台在建的东西。

更关键的是,三根柱子恰好是 AI 能工作的前提,不是锦上添花:

• 实时决定喂给 AI 的燃料够不够新鲜;
• 可证明正确决定 AI 会不会被垃圾数据毒害——AI 会把错误规模化放大,垃圾进,则自信的垃圾出;
• AI-native 基座决定 AI 能不能安全地「行动」,而不只是「读」。

反过来看,老系统的乱——JSON 汤、消费即消失、静默丢数据、隔夜才更新——在 AI 时代是更大的负债。AI 越强,它的数据质量问题越致命。

连那句「选最无聊的技术、保留最大的替换自由度」的四十年哲学,在模型每几个月换一代的节奏下也更对了:适配器架构能自由换模型,框架深耦合的老系统骑不上这波浪。

所以真正的威胁不是「AI 淘汰新平台」。威胁是另一个:AI 可以直接贴在老系统上做只读分析,在纯读场景部分替代新平台。应对方法只有一个——把新平台钉死成「让 AI 能安全行动的基座」:下单、对账、可回滚。这是老系统给不了的,也是未来价值真正所在。

最后的担忧:把投资从「功能」移到「基座」

所以该担心的,从来不是「AI 会不会让这套系统过时」。该担心的是——

会不会在建成基座之前,就把有限的时间花在了 AI 已经廉价化的东西上。

战略动作因此很清楚:把力气从「堆功能」移到「建基座」。

AI 越强越值钱的,是基座: 正确性证明、结构化事件、面向 agent 且可审计的接口、发注的学习闭环。

AI 越强越不值钱的,是功能: 手写或 AI 代写的业务代码、一次性的规则胶水、把老系统 1:1 照搬的迁移、不沉淀任何数据资产的交付。

这半年把力气花在哪,就决定了走哪条路。而且这两条路现在都还开着——这才是让人睡不着的地方。

收口一句:

AI 不会淘汰这套新系统,会淘汰「只把老系统重写一遍」的它——而奖励「建成了 AI 能安全行动的正确数据基座」的它。

三根柱子,一个基座,一个选择。写完,心里清楚多了。