Making Software Meaningful
本文认为，采用对显式含义（定义为领域现象、动作和事实的共享词汇）的承诺，通过对齐利益相关者并将这些概念直接映射到代码和智能体行为，能够增强软件的可用性、模块化程度和可问责性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图给一位朋友指路，但你们说的不是同一种语言。你说：“在那个红色的大建筑前左转”，但他们看到的只是一个红色的砖墙，并没有看到什么建筑。他们迷路了，并不是因为他们不擅长听从指令，而是因为你们对世界的共同理解破碎了。
这篇名为**《赋予软件意义》（Making Software Meaningful）**的论文指出，软件开发正面临着完全相同的问题。开发者、用户，甚至软件本身，往往在“软件究竟在做什么”这件事上说着不同的“语言”。作者提出一个简单的解决方案：在编写一行代码之前，先创建一个所有人都能达成共识的、统一的、共享的“意义”词典。
以下是他们思想的拆解，使用了日常类比：
1. 问题所在：“翻译失误”的软件
作者指出，软件之所以充满混乱，是因为当“意义”从用户的思维转移到计算机代码时，其含义会发生丢失。
- Facebook 的“愤怒”按钮： 当 Facebook 增加“愤怒”反应时，用户认为：“我在表达我很生气。”但计算机代码处理的是：“这条帖子非常有吸引力，把它展示给更多人看！”用户和计算机在点击同一个按钮时，做的是两件不同的事情。
- 寻找 Bug： 程序员试图修复一个 Bug。他们看到用户点击了一个按钮，但在代码中，那一次点击却变成了一团乱麻，演变成了 50 个隐藏的步骤。这就像是试图在一场雨下了一个小时后，将其中一滴雨水追溯回它最初降落的那朵特定的云。
- 结果： 用户感到沮丧，因为软件没有按照他们的预期运行。程序员感到沮丧，因为他们找不到代码在哪里崩溃了。
2. 解决方案：一个共享的“动作词汇表”
作者建议我们不要再仅仅把软件视为“代码”，而要将其视为**动作（Actions）、事实（Facts）和个体（Individuals）**的集合。
把它想象成一场戏剧或一场棋类游戏：
- 个体： 玩家（例如：“用户 Alice”、“用户 Bob”）。
- 动作： 他们做出的移动（例如：“Alice 登录”、“Bob 发布照片”）。
- 事实： 移动之后棋盘的状态（例如：“Alice 现在处于登录状态”、“照片现在可见”）。
核心思想是在构建软件之前，先写下一本简单的规则手册（即“本体/ontology”），定义这些移动和事实。这本规则手册成为了“事实来源”，让用户、设计师和编码者都能达成共识。
3. 三大核心益处
A. 可用性：消除“执行鸿沟”
当共享词汇存在时，用户“意图要做的事”与“软件实际做到的事”之间的差距就会消失。
- 类比： 想象一份餐厅菜单。如果菜单上写着“香辣鸡肉”，而厨房端上来的是“温和鸡肉配上一份火焰”，顾客就会感到困惑。如果菜单、厨房和服务员对“香辣鸡肉”的定义完全一致，体验就会非常顺畅。
- 论文观点： 通过使用户的心理模型与软件的实际行为保持一致，我们能让用户不再需要去猜测按钮的功能。
B. 模块化：像搭乐高，而不是玩泥巴
目前的代码通常像一大团粘在一起的泥巴。如果你想改变其中一部分，可能会不小心破坏另一部分。
- 类比： 作者提议将代码组织得像 乐高积木 一样。每个“概念”（如“登录”或“发布照片”）都是一块独特的乐高积木。
- 运作方式： 你不会把“登录”积木和“照片”积木混在一起。你只通过特定的连接器（称为“同步/synchronizations”）将它们拼合在一起。
- 论文观点： 这使得代码更易于编写、更易于修复，也更容易让 AI（大语言模型）生成，因为 AI 不需要猜测这些部件如何组合，规则已经非常明确了。
C. 可问责性：让“黑盒”变得透明
当 AI 代理代表我们执行任务（如发送邮件或修改代码）时，我们往往不知道它为什么要这样做。
- 类比： 想象一辆自动驾驶汽车发生了碰撞。如果车仅仅说“我撞了”，这毫无用处。但如果这辆车有一套“行为准则”，规定“只有当我看到红灯时才会刹车”，我们就可以进行审计。它是看到了红灯吗？没有？那么它违反了规则。
- 论文观点： 通过强制要求 AI 代理遵循一套严格的命名动作和规则，我们可以对其进行审计。我们可以查看“追踪记录”（日志）并指出：“你应该在修改代码前验证假设，但你没做。这就是你失败的原因。”
4. 论文中的现实案例
- 教学学生： 作者使用一种简单的计算机语言（TypeScript）向学生教授这种方法。学生们利用 AI 来编写代码，但由于“规则”（概念）是清晰的，AI 并未产生混乱。学生们学到了，清晰的规则能让 AI 成为更好的助手，而非危险的存在。
- 研究型智能体： 他们在进行科学研究的 AI 智能体上测试了这一点。AI 不再只是聊天和猜测，而是必须遵循一套“行为准则”。它必须陈述其假设，进行实验，并将结果记录为一个特定的“事实”。这使得 AI 的工作即使在出错时，也是可读且可信的。
总结
该论文认为，软件的未来不仅仅在于编写更快的代码或更聪明的 AI。它关乎清晰度。
如果我们能在构建软件之前，就针对软件“做了什么”（其意义）达成一个简单的、共享的语言，我们就能：
- 让用户不再迷失方向。
- 让开发者不再受困于纠缠不清的代码。
- 让 AI 代理不再是神秘的“黑盒”。
这是从“猜测代码在做什么”向“确切知道软件意味着什么”的转变。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。