这周的技术圈有几件值得关注的事：有人把散落在各处的软件工程法则整理成了一个可检索的集合；有人做出了基于 CRDT 的 TypeScript 图数据库；还有人开始认真思考——让 LLM 生成带类型的代码，我们是不是一直在用错误的方式做这件事？

56条软件工程法则

Laws of Software Engineering 是一个新上线的项目，把软件工程领域那些耳熟能详的”定律”整理成了 56 张卡片。从 Conway’s Law 到 Hyrum’s Law，从 Brooks’s Law 到 Hofstadter’s Law，每条法则都有简洁的定义和分类标签。

这个项目的价值不在于发现了什么新东西，而在于系统化。它把这些散落在不同书籍、论文、博客里的经验法则，按照架构、团队、规划、质量、设计、决策、扩展性等维度做了归类。对于需要向团队解释”为什么这个功能不能下周上线”或者”为什么不能为了优化而优化”的工程师来说，这是一个挺好的引用工具。

几条我个人觉得值得反复看的：

  • Hofstadter’s Law：就算你把 Hofstadter’s Law 考虑进去，实际花费的时间还是比你预期的长
  • Gall’s Law：一个能跑的复杂系统，一定是从一个能跑的简单系统演化而来的
  • Price’s Law：参与人数的平方根，做了 50% 的工作

@codemix/graph：把图数据库塞进 CRDT

codemix/graph 是一个挺有意思的实验——一个类型安全、支持实时协作的图数据库，底层基于 Yjs 的 CRDT 实现。

它的核心设计很清晰：

  • 用 Zod/Valibot/ArkType 定义 schema，类型会贯穿所有查询和遍历
  • 支持 Gremlin 风格的图遍历 API
  • 支持类 Cypher 的查询语法（给 LLM 用）
  • 存储层可插拔，内置 Yjs 支持实现离线优先和实时同步

这个项目目前还是 alpha 状态，但已经能在浏览器里跑。演示页面甚至做了一个”把你自己加到关系图里”的功能，所有打开这个页面的用户都能看到彼此添加的节点和连线——这就是 CRDT 的能力。

对于需要在客户端维护复杂关系数据的场景（比如思维导图、流程编辑器、社交网络原型），这个方案比”自己手写状态同步”要靠谱得多。

类型系统与神经网络：我们生成代码的方式错了吗？

Bruno Gavranović 的一篇新文章 Types and Neural Networks 提出了一个尖锐的问题：现在的 LLM 生成代码，是先训练出 Token 序列，然后再用类型检查器去验证。这个过程是事后验证，而不是类型驱动生成。

文章探讨了几个关键问题：

  1. 现在的做法（生成后编译，出错就重试）本质上是用类型检查器做过滤，而不是指导生成
  2. 有没有可能从底层重新设计 LLM，让它在训练阶段就学习类型约束，直接生成类型正确的代码？

这个问题在 Idris、Lean、Agda 这类依赖类型语言的代码生成场景下尤其重要——因为这些语言的类型约束本身就是程序逻辑的一部分，事后再修正的成本极高。

文章没有给出完整答案，但提出了一个值得关注的方向：如果神经网络的输出类型本身就是结构化的类型（而不是 Token 列表），我们能否训练出”天生就会类型检查”的模型？

小结

这周的热点某种程度上都在围绕同一个主题：如何管理复杂性。软件工程法则告诉我们复杂性的表现形式，CRDT 图数据库提供了一种协作状态下的数据一致性方案，而类型驱动的神经网络则在探索 AI 时代代码生成的正确打开方式。

文章发表于 gumi.ink