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:

  1. 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。
  2. 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。
  3. 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

  1. 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。
  2. 看那 21 个百分点的剪刀差:开发 51%、测试 30%,缺口就在这里。
  3. 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。
  4. 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。
  5. 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。
  6. 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。