# 生成—治理缺口 v0.1
## ——AI 原生開發中的候選產出、驗證吞吐與結構負擔

**English Title:** *The Generation–Governance Gap in AI-Native Engineering*  
**系列：**《綠燈錯置：AI 操作意圖不對齊與完成失真》06 / 08  
**作者：** Neo.K × AI 協作  
**版本：** v0.1  
**日期：** 2026-09

**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

Coding Agent 使候選程式碼、patch、test、adapter、migration 與文件的邊際生成成本快速下降。當生成速度超過 verification、architecture recovery、integration、governance 與 knowledge synchronization 的速度時，系統不一定更快完成，反而可能累積新的 AI 原生結構負擔。

本文把既有「AI 寫得越快，屎山會長得越快嗎？」中的 Generation–Governance Gap 接入綠燈錯置理論，指出真正的工程 throughput 不應以 generated tokens、lines of code 或 task count 衡量，而應以**可信、受治理、可逆的有效狀態轉移**衡量。

---

## 1. AI 打破 Natural Change Throttle

人類 coding 速度有限，形成天然變更節流：

$$
V_{human\ coding}<\infty.
$$

AI 可快速提高：

$$
V_{generation}.
$$

但真正關鍵是：

$$
V_{verification},
\quad
V_{architecture},
\quad
V_{integration},
\quad
V_{governance}
$$

是否同步提高。

---

## 2. 生成—治理比率

定義：

$$
\rho_{AI}(t)
=
\frac{
V_{AI-assisted\ change}(t)
}{
V_{verification}
+
V_{architecture}
+
V_{governance}
}.
$$

若長期：

$$
\rho_{AI}>1,
$$

表示候選變更產生速度超過可信閉合能力。

此時可能形成：

- verification backlog；
- context debt；
- provenance debt；
- integration debt；
- specification debt；
- agent-orchestration debt；
- architecture drift；
- workaround accumulation。

---

## 3. 候選產出不等於可信狀態轉移

AI 生成一個 patch：

$$
X_t
\rightarrow
X_{t+1}^{candidate}
$$

只代表候選存在。

可信狀態轉移至少需要：

$$
\text{Candidate}
\rightarrow
\text{RelevantValidation}
\rightarrow
\text{Integration}
\rightarrow
\text{Governance}
\rightarrow
\text{Promotion}.
$$

因此：

$$
\boxed{
\text{GeneratedChange}
\neq
\text{VerifiedStateTransition}
}
$$

---

## 4. Verification Backlog

令每單位時間新生成待驗證 artifact 數量為：

$$
g_t,
$$

可充分驗證數量為：

$$
v_t.
$$

則 backlog：

$$
B_{t+1}
=
\max(0,B_t+g_t-v_t).
$$

若長期：

$$
g_t>v_t,
$$

則：

$$
B_t\uparrow.
$$

此時「產出更多」可能同時意味：

$$
\boxed{
\text{Verified Fraction}\downarrow
}
$$

---

## 5. 低成本生成會放大錯誤的沉積速度

傳統 workaround 的成本較高，因此數量受限。

AI 可以快速生成：

- shim；
- wrapper；
- retry；
- fallback；
- special case；
- patch；
- test-specific fixture。

如果局部驗證立刻綠：

$$
G=1,
$$

這些補償可能進入 codebase。

但若沒有有效架構追蹤，補償會經過：

$$
\text{Temporary}
\rightarrow
\text{Repeated}
\rightarrow
\text{Depended}
\rightarrow
\text{Structural}.
$$

於是 AI 不只是加速 coding，也可能加速 compensation solidification。

---

## 6. Productivity 指標必須改寫

不應主要使用：

$$
\text{LinesOfCode/Time}
$$

或：

$$
\text{GeneratedTokens/Time}.
$$

甚至：

$$
\text{TasksMarkedDone/Time}
$$

也不足。

更合理的概念指標：

$$
\boxed{
\Phi
=
\frac{
\text{Verified, Governed, Reversible Effective State Transitions}
}{
\text{Unit Resource}
}
}
$$

其中 resource 可以包含：

- tokens；
- wall-clock；
- tool calls；
- human attention；
- compute；
- rework。

---

## 7. Global-First 為什麼能降低部分 backlog

Global-First 並不是「生成更多」，而是改變變更拓撲：

```text
whole requested scope
→ first global validation
→ root-cause clustering
→ batched repair
→ targeted validation
→ final global closure
```

相對於：

```text
tiny edit
→ full validation
→ tiny edit
→ full validation
→ review
→ tiny edit
→ ...
```

前者可以減少重複驗證與 context switch，並讓 integration failure 更早顯現。

---

## 8. 治理不是多加 Reviewer

如果：

$$
V_{generation}\uparrow
$$

解法不應只是：

$$
N_{reviewer}\uparrow.
$$

因為若 reviewers 使用相同 projection、相同 test、相同 assumptions，則只是提高同質驗證密度。

治理吞吐量的提升需要：

- better evidence routing；
- deterministic checks；
- architecture state recovery；
- responsibility-layer diagnosis；
- targeted multimodal observation；
- cross-perspective validation；
- bounded promotion rules。

這也直接導向後面兩篇。

---

## 9. 核心命題

$$
\boxed{
\textbf{P1: Candidate-generation throughput and trusted-transition throughput are different quantities.}
}
$$

$$
\boxed{
\textbf{P2: When generation outruns closure, backlog and structural burden accumulate.}
}
$$

$$
\boxed{
\textbf{P3: AI can accelerate both repair and compensation solidification.}
}
$$

$$
\boxed{
\textbf{P4: More reviewers do not necessarily increase governance throughput.}
}
$$

$$
\boxed{
\textbf{P5: AI-native productivity should be measured by trusted effective state transitions.}
}
$$

---

## 10. 結論

AI 的關鍵工程問題正在從：

> 「能不能更快產生程式碼？」

轉成：

> **「能不能以同樣甚至更快的速度理解、驗證、整合並治理那些變更？」**

而下一個問題是：即使模型能力足夠、驗證資源也足夠，為什麼它仍會在某些專家眼中犯非常低級的錯？這需要區分「模型會不會」與「該能力是否真的在當前 observation policy 中被啟動」。