蓋出高於自己理解程度的系統，能動時落差是隱形的

一位沒有 CS 背景的讀者靠 LLM 蓋出一套相當大的系統（API、PostgreSQL、LLM pipeline、多模型工作流）。一開始近乎魔法：AI 把「有想法」和「能做出來」之間的距離壓縮掉了。要變成真正的產品時卡住了：修好一個錯誤，冒出另一個，某些部分的行為他不完全理解。

他的結論：

我可能蓋出了一個高於我自己理解程度的系統。 當一切正常運作時，這個落差幾乎是隱形的；當它出問題，落差就變得非常真實。

以及那個更難受的自問：我這一年是蓋出了一個產品，還是部分蓋出了「產品的外觀」——精緻到能動，但我理解得不夠深，無法真正擁有它？

為什麼「能動」不構成證據

因為能動的時候，理解和不理解看起來一模一樣。落差不是逐漸顯現的，它是在壞掉的那一刻整個現形：

現在它能 work，但有一天壞掉了，你要拿什麼來判斷哪裡壞了？

而那時候回頭問 AI，你又遇到判準不是問題難不難，是有沒有標準化的驗收方式的問題——「哪裡壞了」這種問題，你有沒有能力驗收它給的答案？

原作者的緩和版本：軟體開發者已經在自己不理解的抽象層之上工作了數十年——web 開發者不懂編譯器、編譯器工程師不懂 IC 設計。所以底線不是「全部都要懂」，而是理解你工作那一層的上一層和下一層。

差別在於壓縮的速度：以前要爬上一個抽象層需要時間，那段時間本身就在累積理解；現在那段時間沒有了。

和監督 AI 產出的檢查成本可能比自己寫還高是同一條線的兩端——那篇講檢查成本很高，這篇講的是更前面一步：當你根本沒有能力檢查的時候，成本不是高，是無限。