Vize
人工智能静态分析
对AI编码工具兴起的常见反应是：也许静态分析现在不那么重要了。
如果助理能生成代码、解释错误、提出修复建议，甚至运行测试，为什么还要痴迷于linter、类型检查、编译器诊断和编辑器分析呢？
我认为情况正好相反。
人工智能时代并未减少静态分析的需求。它会增加它。而且不是普通的静态分析：确定性、快速的静态分析。
人工智能强大，但具有概率性
大型语言模型非常有用，但它们仍然是概率系统。
他们预测可能的续作。它们不强制执行不变量。
这意味着人工智能在以下方面非常擅长：
制图规范
建议架构
将意图转化为实现
解释故障的可能原因
但人工智能本身并不是判断程序结构有效、类型安全或内部一致性的可靠依据。
但这些事实仍然必须来自别处。
决定论是平衡
静态分析提供了人工智能所需的平衡权重。
当编译器表示缺少绑定时，结果不应依赖于提示词表达。
当类型检查器显示螺旋桨合同被破坏时，这个结果不应因模型温度而变化。
当一个倾斜者标记为不安全v-html时，这个结果不应是尽力而为的猜测。
确定性工具给我们带来了：
相同的输入产生相同的输出
诊断可以通过语法和语义来解释
在编辑器、配置项和自动化中，故障可重复出现
信任不依赖于模型的个性
换句话说，静态分析是系统中仍然能说：“不。这不对。”
当周围系统有更多生成能力时，这一点就更重要了。
快速反馈不再是可选
速度曾经是开发者体验的奢侈品。
在人工智能时代，它变成了基础设施。
为什么？因为AI辅助开发会产生更多的反馈循环：
编辑器在代码生成过程中持续请求诊断
代理提出补丁，然后请求工具验证
CLI工作流程在每次变更集后运行检查
CI可能在人类看到之前评估许多机器生成的差异
如果静态分析缓慢，周围的一切都变得浪费：
代理等待验证时停滞
编辑者感觉噪声和延迟
自动修复循环会消耗更多时间和代币
开发者停止信任工具链并禁用检查
快速静态分析不仅仅是为了让人类更快乐。而是让整个人类+人工智能系统在经济上可行。
人工智能需要机器可读的护栏
这里还有一个模具设计上的问题。
一个好的静态分析仪不仅能为人类生成红色文本。它生成结构化、机器可读的约束：
精确位置
稳定规则标识符
可操作的类别
修正机会
类型信息
程序各部分之间的符号关系
这正是人工智能系统能擅长使用的信号类型。
当LLM能针对确定性结构而非模糊的失败报告工作时，它更有用。“此位置有vize/vue/require-v-for-key错误”比“模板似乎有问题”更适合自动修复。
所以未来不是静态分析instead of人工智能。 它是人工智能on顶级静态分析of。
AI写的代码越多，我们越需要快速的拒绝
当AI编写代码时，有一个细微的变化：你需要拒绝的代码数量可能会大幅增加。
人工开发者打字速度相对较慢。模型可以在几秒钟内提出较大的差异。
这改变了验证的经济学。
如果在人类输入之前就已经产生了十个错误的想法，那么工具链也需要同样迅速地拒绝坏想法。否则你就要创建一个系统，能比你优先处理无效代码的速度更快。
这就是为什么快速负反馈如此重要。
静态分析不仅仅是为了批准优质代码。它的存在是为了早期消灭坏路径：
不可能的引用
无效模板构造
破产的道具合同
不安全模式
格式与风格漂移
API 滥用
没有那个快速的拒绝层，AI会放大噪声。
有了它，人工智能放大了探索。
为什么这对Vue尤为重要
Vue不仅仅是TypeScript加HTML而已。
.vue文件的结构跨度为：
模板语义学
指令语法
组件道具和发射器
SFC区块边界
样式范围
框架公约
通用的JavaScript工具并不完全理解这种形状。
这就是为什么即使你已经有像Oxlint这样的优秀JS/TS工具，或者像Vite+这样的通用工作流程工具，Vue专用的静态分析依然很重要。
例如，AI生成的Vue代码很容易产生以下问题：
v-for中缺少key绑定不安全
v-html无效模板表达式
螺旋桨和发射不匹配
重复属性
组件误用，仅在SFC环境中合理
这些都不是极端情况。这些正是生成式工具在快速跨越框架特定边界时可能犯的错误。
静态分析是信任的界限
更深层次的原因是信任。
在人工智能辅助开发中，信心在许多方面可能变得模糊：
模型听起来确定
补丁看起来合理
解释感觉连贯
差异足够大，人类可以略过
静态分析在“合理”与“真正有效”之间划分信任界限。
这个界限不必完美才能有用。它必须是：
确定性
快速
框架感知型
代码流向的任何地方都可以获得
这意味着编辑器、CLI、CI和机器对机器的工作流程都需要访问相同的底层真相。
这是维泽案的一部分
这也是我如此关心Vize方向的原因之一。
Vice对我来说不感兴趣，仅仅因为Rust速度快。 有趣的是，统一的Vue感知工具链可以提供更强的确定性层：
合辑
绒毛
格式化
类型检查
语言工具
面向人工智能的集成
当这些部分共享解析器、文件模型以及对Vue语义的共同理解时，反馈会更加连贯。当AI系统同时消耗输出时，这种一致性尤为重要。
重点不是让静态分析取代人工智能。 关键是让人工智能在更坚实的基础上运行。
未来是混合的
我认为获胜的模型不是：
“只要相信模型”
或者“忽略人工智能，保持纯传统”
未来是混合的：
用于合成、探索、加速和修复的人工智能
对不变量、约束、拒绝和信任的静态分析
人工智能让软件开发更具生成性。 这使得确定性验证更有价值，而非降低。
所以如果你认为人工智能正在编程中扮演越来越重要的角色，你可能也应该考虑更好的静态分析。
而且你应该希望它足够快，让大家不用犹豫就能使用。