概念 3：熵管理与垃圾回收
问题
智能体会复现仓库中已存在的模式——包括坏模式。
随着时间推移，不可避免地产生漂移（drift）：
- 重复的辅助函数散落各处
- 不一致的错误处理风格
- 基于猜测的数据结构（YOLO 式探测）
- 过时的文档与实际代码不符
失败方案：人工清理
团队每周五花 20% 时间清理”AI 残渣”。不出所料，不具备可扩展性。
成功方案：编码 + 自动化
”黄金规则”（Golden Rules）
带主观意见的机械规则，编码进仓库：
- 共享实用程序包 > 手写辅助工具 — 不变式集中管理
- 不做 YOLO 探测 — 在边界验证数据，或使用类型化 SDK
- 偏好自有实现的关键子集 — 与自有遥测集成、100% 测试覆盖、行为完全可预测
垃圾回收流程
定期后台 Codex 任务
→ 扫描偏差
→ 更新质量评分
→ 发起重构 PR
→ 大多数 1 分钟内审查 + 自动合并
类比
技术债 = 高息贷款
- ✅ 每天小额偿还（持续垃圾回收）
- ❌ 累积到痛苦时一次性清偿（重写/大重构）
关键洞察
人类的品味一旦被捕捉（编码为规则），就会持续应用于每一行代码。
品味的传播路径：
人类审查评论 → 文档更新 → lint 规则 → 自动应用于所有代码