AI 为什么不擅长“做减法”？

最近发现了一个 AI 有趣的特性，就是喜欢乱叠 buff。

AI 喜欢做加法

这两天在写一个网页项目，需要处理一些页面上关于用户点击事件的响应。因为 React 框架的问题，有些地方总是重复渲染，导致网页上出现频闪。

因为涉及到的代码比较多，我就向 Claude 求助：把问题简要描述给了 AI 然后就让它帮助我修改。

Claude 给我的方案倒是挺简单：“你可以在点击事件处理函数里，加一个检查器，如果发现不必要的重复渲染，就阻止这个流程。”，然后就新增了 10 行代码。

问题倒是解决了，但是这样的修改无疑增加了复杂性，而且没有在根源上解决问题。

我和 Claude 进行了几轮对话之后，尝试让它找到问题的根源，Claude 只是在两三个方案之间来回修改，都是加更多的检查器，总是找不到最终的问题在哪。

无奈，我只好自己阅读代码，然后找到问题之后，将事件处理部分重新设计了一下，将方案提交给 Claude 然后才解决问题。

这让我思考，为啥 AI 都喜欢做加法呢？

“做减法”是需要勇气的

了解过强化学习的基本原理之后，明白强化学习是利用探索得到的样本来优化行为，在 Agent 场景里，就是对训练数据的一步步渐进寻优过程。

那么可以推理得出，Claude 被设计成为一个能够解决代码问题的编程 Agent，其衡量标准为能够跑通代码，没有错误。

至于代码是否简洁，是否从根源上解决问题，似乎不在其设计标准之内。

毕竟随意删除代码，是会破坏项目结构的。相反，新增代码则更为安全、简单。

我遇到过多次这样的问题，也问过我一些程序员朋友，他们也都有同样的困扰：未经过思考就使用 AI，就是堆屎山代码，项目越发难以维护。

事实证明，加法解决问题，而减法需要勇气。

我在当我用 AI 工作时，我究竟在做什么？这篇文章里面提到关于 AI 受限于数学的问题。

从这个角度来思考，做减法，其实还是超越了数学的范畴。

• 当前的 BUG 根源在哪里？
• 这个项目应该怎样设计？
• 如何代码实现，才能最符合项目的需求？

这些问题当下的 AI 似乎还不能完全解答，因为将其描述为数学问题，还是有不小的难度。

不过在不久的将来，这些问题或许也可以被数学解决。

就如在 20 年前的计算机科学中，人类的语言还是一个无法被数学解决的问题。但是现在，我们已经能和 AI 流畅对话。

浩森，于 2026 正月初九