30秒快速回答: 验证税(Verification Tax)是指 AI 把「写代码」这件事变便宜之后,团队必须额外支付的那部分「证明这段代码是对的」的成本。它不是一个产品,而是一种结构性代价:生成成本趋近于零,验证成本却原地不动,于是瓶颈从编码环节整体迁移到评审、测试与安全验证环节。不重构验证流程,直接把编码 Agent 发给团队,得到的只是「AI 辅助开发」,而不是更快的交付。
核心价值一句话: 别再问「用哪个模型写得更快」,先量一下你的验证环节能不能吃下这波产能——吃不下的部分,全部会堆成技术债和返工。
一、先看数字:21 个百分点的「剪刀差」
2026 年 11 月上旬,AWS、GitHub、Harness、NDepend 等厂商的新版本不约而同指向同一个方向:把工作往规格与验证两端推。同期公开的几组调研数据非常能说明问题(均为厂商或调研机构自报,不是统一基准):
| 环节 | 报告「变快」的比例 | 说明 |
|---|---|---|
| 至少一个 SDLC 环节 | 99% | 几乎所有 AI 用户都能感知到某处变快 |
| 需求 / 体验规划 | 58% | 文档类工作压缩最明显 |
| 设计 | 61% | 原型与骨架生成受益最大 |
| 开发(编码) | 51% | 写代码变快已被普遍验证 |
| QA 与测试 | 30% | 唯一没跟上的一环 |
开发 51%、测试 30%,中间这 21 个百分点就是验证税的账面金额。它不会消失,只会变成三种东西:评审排队、线上返工、以及没人敢改的「黑盒提交」。
另一组常被引用的案例是 Atlassian:把更多生命周期环节交给机器速度后,问题平均周期从 11.5 天降到 6.7 天;配套的 Jira Agent 循环据称可自动解决 51% 的潜在漏洞。这些数字说明机会真实存在,但也暴露了前提——周期缩短来自「流程改过」,而不是「模型换过」。
二、为什么写得快 ≠ 交付快
把验证税拆开看,它由三笔账构成:
- 审查带宽账:评审者现在要面对一个几千行、且自己从未「亲眼看它长出来」的改动。过去读代码能靠「跟着作者思路走」建立信任,现在这条路断了——你只能靠证据。
- 证据强度账:模型说「我改好了」,这不算证据。能当证据的只有:编译通过、测试通过、静态分析无新增问题、行为对比一致。
- 责任归属账:Agent 不能给自己的作品签合格证。一旦「Agent 改 → Agent 审 → Agent 合」,验证就退化成自我声明。
所以验证税的本质不是「AI 不可靠」,而是产能与验证能力不匹配。产能可以指数级扩容,验证能力只能靠工程手段线性提升,这就是缺口。
三、确定性 harness:让 Agent 无法自己给自己发合格证
业界正在收敛出的一套做法叫「确定性 harness(deterministic harness)」:用不可协商的机械检查把 Agent 围起来。NDepend 的实践形态是三步闭环——静态分析挑出该改的地方 → 编码 Agent 动手改 → 系统重建、跑测试、再分析一次;Agent 全程没有审批权。
可以把它写成几十行的流水线脚本,成本极低但拦截效果确定:
# verify_gate.py —— 确定性验证闸门:任何一项不通过,改动不许进主干
import json
import subprocess
GATES = [
# (名称, 命令, 是否阻断)
("build", ["make", "build"], True),
("unit-test", ["pytest", "-q", "--maxfail=1"], True),
("lint", ["ruff", "check", "."], False),
("type-check", ["mypy", "--ignore-missing-imports", "."], False),
("static-scan", ["semgrep", "--config=auto", "--json", "."], True),
("complexity", ["radon", "cc", "-j", "-n", "C", "."], False),
]
def run(cmd):
p = subprocess.run(cmd, capture_output=True, text=True, timeout=900)
return p.returncode, (p.stdout or "") + (p.stderr or "")
def gate():
report, blocked = [], False
for name, cmd, must in GATES:
code, out = run(cmd)
ok = code == 0
report.append({"gate": name, "ok": ok, "blocking": must,
"tail": out.strip().splitlines()[-3:]})
if not ok and must:
blocked = True
# 关键:结论由脚本给出,不由 Agent 自述
print(json.dumps({"blocked": blocked, "gates": report},
ensure_ascii=False, indent=2))
return 1 if blocked else 0
if __name__ == "__main__":
raise SystemExit(gate())
这套东西的价值不在「检查了什么」,而在于证据由谁产出。只要结论来自脚本退出码,Agent 的「我认为没问题」就永远不能替代它。另外两点工程细节值得抄走:
- 阻断项要少而硬:build / test / 安全扫描必须阻断;lint、复杂度这类先当警告,否则第三天全团队都在关闸门。
- 拿「新增」而不是「存量」当口径:老项目一上来就全量静态分析,几千条历史告警会淹没新增的那 3 条。用 diff 范围限定,只拦本次改动新增的问题。
四、四种验证手段:按成本排序,别按喜好排序
降低验证税不是「多写测试」这么一句口号,而是要按单位成本能买到多少确定性来排序投入:
| 手段 | 单次成本 | 能拦什么 | 实施难度 | 建议优先级 |
|---|---|---|---|---|
| 编译 / 类型检查 | 极低(秒级) | 语法、接口错配、类型不兼容 | 低 | 第一优先,必须阻断 |
| 静态分析 / 安全扫描 | 低 | 注入、越权、密钥硬编码、危险调用 | 低 | 第一优先,必须阻断 |
| 单元测试 + 回归测试 | 中 | 行为回归、边界条件 | 中,需存量覆盖 | 第二优先,按模块补齐 |
| 人工评审 | 高(人均小时级) | 架构取舍、可维护性、业务语义 | — | 只留给机械检查覆盖不到的部分 |
| 大模型互审(LLM-as-a-Judge) | 低但不可靠 | 风格、可疑模式提示 | 低 | 只做提示,不做阻断 |
最后一行是重点:把 LLM 评审当辅助定位器而不是守门人。它擅长说「这里可能有空指针」,不擅长保证「这里没有空指针」。用它筛出重点,人只看被标记的部分,这是把人工评审成本压下来最有效的一招。
五、别把验证税换个名字赶去下游:SDD 的两种走法
2026 年 11 月关于规格驱动开发(SDD)的复盘提出一个很尖锐的批评:如果团队要求实现前必须先写详细技术设计,SDD 就可能变成「用 Markdown 复刻瀑布模型」,LLM 只是执行器。 评审队列没有消失,只是从代码评审前移到了规格评审。
同一批实践给出的收敛结论是:
- 规格要短,约束要稳;长篇冻结规格只会把瓶颈搬到「规格评审」。
- 规格真正的用途是长任务的外部记忆:让 Agent 跨越几十轮不跑偏,让棕地项目守住架构边界,并留下「需求 → 实现」的可追溯链条。
- 判断标准很简单:这份规格有人有时间读完吗?读不完的规格等于没有验证。
总结要点
- 验证税 = 生成成本下降后,暴露出来的验证能力缺口;它不是模型问题,而是流程问题。
- 看那 21 个百分点的剪刀差:开发 51%、测试 30%,缺口就在这里。
- 把机械检查做成阻断式闸门,结论由脚本退出码产出,Agent 无权自签。
- 阻断项宁少勿多,且只对新增问题生效,否则闸门会被团队绕过。
- 人工评审只留给机械检查覆盖不到的部分;LLM 评审只当提示器。
- 别把验证税挪个位置叫「规格」——写得没人读完的规格,只是更早的排队。
延伸阅读建议:接着看本号《什么是规格驱动开发(SDD)?》《什么是 Agent 可靠性工程?》《什么是 Agent 审计链(Audit Trail)?》三篇,把「规格 → 验证 → 留痕」这条链补完整;想动手的话,先把上面的 verify_gate.py 接进你自己的 CI,跑一周再谈要不要上更复杂的方案。