在 AI 技术快速发展的今天，系统设计的复杂性达到了前所未有的高度。当我们面对大规模语言模型、多模态 AI 和自主智能系统时，传统的软件工程原则是否仍然适用？Rich Hickey——Clojure 编程语言和 Datomic 数据库的创造者 —— 的设计哲学为我们提供了独特的视角。他的思想不仅塑造了现代函数式编程的实践，更为 AI 系统的架构设计提供了深刻的启示。
Simple vs Easy：AI 系统设计的核心原则
Rich Hickey 在 2011 年的著名演讲 "Simple Made Easy" 中提出了一个根本性的区分："简单"（simple）与 "容易"（easy）。这一区分对 AI 系统设计具有深远意义。
简单意味着不交织、不纠缠。Hickey 指出，"简单" 的词源来自拉丁语 "simplex"，意为 "一折"—— 不编织、不纠缠。在 AI 系统设计中，这意味着我们应该追求组件之间的低耦合、清晰的边界和明确的职责分离。例如，一个简单的 AI 系统可能将数据预处理、模型训练、推理服务和监控日志分离为独立的、可组合的模块。
容易意味着熟悉、触手可及。容易是主观的，通常与我们现有的知识或即时便利性相关。在 AI 开发中，使用熟悉的框架或库可能感觉 "容易"，但这往往会导致系统复杂性的增加。Hickey 警告说："容易的解决方案提供短期舒适，但往往随时间引入复杂性。"
这一区分对 AI 系统尤为重要。正如 Hickey 所言："我们只能希望理解那些我们能理解的东西。" 对于黑盒般的深度学习模型，这一原则强调了可解释性的重要性。如果 AI 系统过于复杂（complex，字面意思是 "多折"），我们就无法真正理解其行为，从而无法确保其可靠性。
Datomic 的不可变数据架构：AI 训练与推理的启示
Datomic 数据库的设计体现了 Hickey 对不可变数据和时间维度的深刻理解。这一架构对 AI 系统设计提供了三个关键启示：
1. 不可变数据作为审计与追溯的基础 Datomic 避免原地更新，而是将每次变更记录为新的事实。在 AI 系统中，这意味着训练数据的每个版本、模型的每次更新、推理的每次请求都应该被不可变地记录。这不仅提供了完整的审计追踪，还支持 "时间旅行" 查询 —— 我们可以随时回溯到任何时间点，理解系统当时的状态。
2. 事实与时间的分离 Datomic 将 "什么"（事实）与 "何时"（时间）分离。在 AI 系统中，我们可以类似地将模型参数（什么）与训练过程（何时）分离。这使得我们能够清晰地理解模型演化的历史，分析不同版本之间的差异。
3. 声明式查询的可组合性 Datomic 的查询语言是声明式的，支持可组合的查询。在 AI 系统中，这意味着我们可以构建可组合的推理管道，其中每个组件都有明确的输入输出规范，便于测试、调试和替换。
AI 代码生成的架构约束实践
随着 AI 代码生成工具的普及，Hickey 的原则在实践中得到了新的应用。Forge Code 团队发现了一个被称为 "AI 90/10 问题" 的现象：AI 代理可以快速生成 90% 的通过测试的代码，但最后 10% 的理解、审查和维护变得异常困难。
问题的根源在于缺乏架构约束。正如该团队所观察到的："我们不给 AI 施加架构约束，我们为每个问题提供无限种解决方案，然后惊讶于它选择了最复杂的路径。"
应用 Hickey 的原则，他们采取了以下实践：
为每个问题只留一种解决方案 通过约束架构，为特定类型的问题只提供一种标准化的解决方案。例如，所有数据访问层都遵循相同的模式，所有 API 端点都使用相同的错误处理机制。这大大简化了 AI 生成代码的审查过程。
分离关注点与明确边界 将系统分解为具有清晰边界的独立组件。每个组件都有单一的职责和明确的接口。这使得 AI 可以专注于生成符合特定规范的代码，而不是试图理解整个系统的复杂性。
优先简单而非容易 选择可能最初需要更多努力的简单设计，而不是熟悉的但可能导致长期复杂性的 "容易" 方案。例如，使用不可变数据结构而不是可变状态，即使这意味着需要学习新的编程模式。
价值对齐的挑战与 Hickey 哲学的伦理意义
AI 系统的价值对齐问题 —— 确保 AI 系统的行为与人类价值观一致 —— 是当前 AI 伦理的核心挑战。Hickey 的设计哲学为这一挑战提供了独特的视角。
可理解性作为价值对齐的前提 如果 AI 系统过于复杂，我们无法理解其内部工作机制，那么谈论价值对齐就失去了基础。Hickey 的 "简单" 原则强调系统的可理解性，这是确保价值对齐的技术前提。
透明性与可审计性 基于 Datomic 的不可变数据理念，AI 系统应该提供完整的透明性和可审计性。每个决策、每个推理过程都应该被记录和可追溯。这不仅有助于调试和优化，也为伦理审查提供了基础。
约束作为安全机制 正如在代码生成中应用架构约束可以防止复杂性爆炸，在 AI 系统的价值对齐中，我们可以设计约束机制来确保系统行为符合伦理边界。这些约束应该是明确的、可验证的，而不是隐含在复杂的神经网络权重中。
实践指南：将 Hickey 哲学应用于 AI 系统设计
基于以上分析，我们可以提出以下实践指南：
1. 设计可组合的简单组件
- 将 AI 系统分解为独立的、可测试的组件
- 每个组件有单一的职责和明确的接口
- 避免组件之间的隐式依赖
2. 采用不可变数据流
- 记录所有训练数据和模型版本的完整历史
- 实现推理过程的完全可追溯性
- 设计支持时间维度查询的监控系统
3. 实施架构约束
- 为常见问题定义标准解决方案模式
- 建立代码生成和审查的规范流程
- 定期重构以消除不必要的复杂性
4. 优先可解释性
- 选择可解释的模型架构，或在必要时添加解释层
- 设计人类可读的决策日志和审计追踪
- 实现模型行为的可视化分析工具
5. 建立伦理约束机制
- 在系统架构中嵌入伦理边界检查
- 设计可验证的价值对齐测试
- 实现透明的决策解释机制
结论：在 AI 时代重新思考系统设计
Rich Hickey 的设计哲学诞生于传统软件工程的背景，但其核心原则在 AI 时代显得更加重要。当 AI 系统的复杂性和影响力不断增长时，追求 "简单" 而非 "容易" 的设计变得更加关键。
Hickey 提醒我们："复杂性会悄悄进入软件系统，当开发者选择便利性（例如熟悉的库或快速修复）而非合理设计时。" 在 AI 开发中，这一警告尤为中肯。选择熟悉的框架或追求快速的模型迭代可能带来短期的效率，但可能导致长期无法维护的复杂系统。
最终，Hickey 哲学的核心信息是：好的设计需要深思熟虑和纪律。在 AI 快速发展的浪潮中，这一信息提醒我们不要被技术的炫目所迷惑，而要回归系统设计的基本原则 —— 清晰、简单、可理解。
正如 Hickey 所说："简单是客观的，你可以数出编织的数量。" 在 AI 系统设计中，这意味着我们应该追求那些可以被清晰理解、明确描述和可靠验证的设计。只有这样，我们才能构建不仅强大而且可信赖的 AI 系统。
资料来源：
- Rich Hickey, "Simple Made Easy" 演讲 (2011)
- Rich Hickey, "The Architecture of Datomic", InfoQ (2012)
- "Simple Over Easy: Architectural Constraints for Maintainable AI-Generated Code", Forge Code (2025)