引言

• AI 会取代程序员吗？这个案例给出了一个不同的答案。
• 这是一次真实的技术架构决策记录。AI 提供了惊人的知识广度和分析深度，人类带来了判断力、洞察力和架构直觉。
• 最终的方案不是任何一方独立产出的——它在 6 轮对话中，从追问与展开的碰撞中涌现。
• 没有 AI 的展开，追问就没有素材。没有人类的追问，AI 就停在第一个安全方案上。
• 在这个过程中，人的核心价值清晰浮现：判断力、洞察力，以及对代码始终保持品味。

实践案例

第一幕：问题的提出

背景：Unity 大型 C# 项目，代码检索依赖 grep，效率低且不懂语义。

🧑 人类提问：

“C# 代码检索是 grep，效率低且不懂语义，有没有其他什么办法？”

AI 给出了完整的技术菜单：tree-sitter、Roslyn、向量检索、Sourcegraph、ast-grep、semgrep……并建议分三个阶段：Phase 1 用 tree-sitter，Phase 2 接入 Roslyn，Phase 3 加向量嵌入。

看起来很专业，但这只是 AI 的“安全方案”——风险低、步子小。

🤖 AI 的价值：一次性给出 6 种技术方案的完整菜单，每种附带适用场景分析。人类在几分钟内获得了可能需要几天调研的信息广度。

第二幕：引入外部实践，交叉验证（人类介入 #1）

🧑 人类判断：

“Code Graph MCP 会不会更好？”

人类没有被 AI 的分阶段方案说服，直接提出了更激进的方向。

AI 分析了 Code Graph MCP 的优势，并与之前的方案对比。

🧑 人类判断：

“另外有一个 Code Graph 实践分享可以参考。你交叉对比下”

人类引入了《我的世界》团队的 Code Graph MCP 实践文章，要求 AI 交叉对比。

AI 的关键发现（在人类引导下）：

• tree-sitter 对强类型语言远远不够——MC 实践明确验证了这一点
• 数据流追踪是杀手级能力——AI 之前完全没提到
• 应该直接上 Roslyn，跳过 tree-sitter 过渡

💡 人类的价值：知道去哪里找参照物，知道要交叉验证，而不是只听 AI 的”安全方案”。

🤖 AI 的价值：交叉验证能力在这里发挥作用——读完《我的世界》团队的长篇实践文章后，能逐条对比识别出自己之前建议的不足（tree-sitter 不够用），并主动修正。

第三幕：坚持用 Roslyn，深究本质区别（人类介入 #2）

🧑 人类判断：

“我觉得应该用 Roslyn，不应该中间方案。但是你提到的 LSP 和 Code Graph MCP 深入分析下这个区别”

人类做了两个决断：

1. 直接否决了”中间方案”——不要 tree-sitter 过渡
2. 要求深入分析 LSP vs Code Graph 的本质区别——不是表面的功能对比

AI 深入对比发现：

• LSP 本质是 IDE 协议，受限于协议定义的能力边界
• Code Graph 是知识图谱，预计算了所有结构关系
• 三个决定性差距：
• 多层调用链（LSP 需多次往返）
• 字段读写分析（LSP 完全没有）
• 数据流追踪（LSP 根本不可能）

💡 人类的价值：不被”看起来都能用”迷惑，要求看到本质差异。

🤖 AI 的价值：被要求”深入分析本质区别”时，产出了一个多维度的系统对比（协议限制、多层调用链、字段读写、数据流），这种结构化的深度展开是人类难以在短时间内完成的。

第四幕：追问结合使用的问题（人类介入 #3）

🧑 人类判断：

“结合使用会不会出现某些场景并不是最优解？”

不是问”能不能结合”，而是问”结合了会不会反而更差”——这是典型的逆向思维。

AI 被迫认真分析了结合使用的五个问题：

1. 数据一致性冲突——两套系统给出矛盾结果
2. 路由决策的模糊地带——查询复杂度前置判断难
3. 维护成本翻倍
4. AI 工具选择困难——24 个工具有重叠
5. LSP 唯一不可替代的场景只有实时诊断（IDE 已有）

AI 的结论从”可以结合”转变为“推荐 Roslyn Workspace MCP 单一方案”。

💡 人类的价值：主动质疑”看起来都要”的方案，逼 AI 暴露组合方案的真实代价。这是典型的逆向思维——不问”能不能”，而问”会不会更差”。

🤖 AI 的价值：被追问后不固执己见，而是认真暴露了 5 个组合方案的真实问题。好的 AI 助手不应该只顺着用户说话。

第五幕：抓住核心矛盾——实时性（人类介入 #4）

🧑 人类判断：

“基于 Code Graph 的现实问题，你需要给出其他方案，我担心 coding 过程中出现延迟，导致 coding 的问题”

人类把问题聚焦到了最本质的矛盾：coding 过程中的实时性。不是理论上的优劣比较，而是”用起来会不会出问题”。

AI 被迫跳出 Code Graph 的框架，提出了四个完全不同的方案：

1. Roslyn Workspace MCP（非 LSP，直接用 Roslyn API）
2. 按需构建局部子图
3. Code Graph + 实时校验层
4. 纯 Roslyn Workspace

💡 人类的价值：场景感知——从技术对比拉回”coding 过程中的实际体验”，不允许 AI 停留在理论分析。

🤖 AI 的价值：被重新定向后，迅速跳出之前的框架，几分钟内产出了 4 个全新的替代方案。这种”快速转向能力”是 AI 的独特优势。

第六幕：关键洞察——盲区可以降级（人类介入 #5）

🧑 人类判断：

“Code Graph + 校验层，缺陷是新代码盲区，新代码是不是盲区但是可以识别出来，降级处理？”

这是整个对话中最精彩的一刻。AI 之前把”新代码盲区”标记为 Code Graph + 校验层方案的 ❌ 缺陷，人类直接指出：

盲区 ≠ 错误。盲区是”已知的未知”，可以识别，可以降级。

AI 顺着这个思路展开，设计了完整的降级机制：

• 查询时发现图谱缺失 → 降级到 Roslyn
• 文件级版本比对 → 识别脏文件
• git diff 实时感知 → 标记变更区域
• 99% 查询命中干净区域（图谱毫秒级），1% 降级到 Roslyn（秒级）

💡 人类的价值：问题重构能力——把一个”缺陷”重构为一个”可管理的降级问题”。看到”缺陷”背后的解法，把不可接受的问题转化为可管理的问题。

🤖 AI 的价值：顺着人类的启发，立刻展开了完整的降级机制设计——脏文件追踪、版本比对、git diff 感知、99% 命中率估算。人类给了一个方向，AI 在几分钟内把它填充为工程方案。

第七幕：最终洞察——它们根本不冲突（人类介入 #6）

🧑 人类判断：

“其实我觉得 Roslyn Workspace MCP 和 Code Graph 本身不冲突啊，结合使用更好？”

回到了第四幕的”结合使用”话题——但这次完全不同。

第四幕问的是 LSP + Code Graph（两个竞争方案的拼凑）。
第七幕说的是 Roslyn Workspace + Code Graph（真相源 + 加速缓存的分层架构）。

人类看到了 AI 没看到的东西：

• Roslyn Workspace 不是 LSP，它不受协议限制
• Roslyn 是数据源，Code Graph 是缓存——就像 MySQL + Redis
• 它们在架构上是不同层，天然互补

AI 恍然大悟，输出了最终的统一架构。

💡 人类的价值：在经过充分分析后，做出综合判断——既不是第四幕的”都要”（没想清楚），也不是第五幕的”只要一个”（过度简化），而是在理解了本质后的“分层组合”。

🤖 AI 的价值：这一步最能体现协作的力量。人类在经过 5 轮充分分析后，做出了一个 AI 无法自主做出的综合判断。但这个判断之所以正确，恰恰因为前 5 轮 AI 提供了足够深度的分析素材。AI 立刻产出了统一架构设计。

最终架构

AI（CodeMaker / Claude）
        │ MCP Protocol
        ▼
统一 MCP Server（对 AI 暴露一套工具）
├── 智能路由层（自动选择最优路径）
├── 脏文件追踪器（识别变更区域）
├── 结果合并器（统一格式返回）
│
├── Code Graph (Memgraph)          ← 加速层 + 深度引擎
│   • 多层调用链（毫秒级）
│   • 跨函数数据流（独有能力）
│   • 全局拓扑分析（独有能力）
│   • 字段读写分析
│
└── Roslyn Workspace（常驻进程）    ← 真相层 + 实时引擎
    • 实时符号解析（永远准确）
    • 新代码感知（无盲区）
    • 类型推断 / 编译诊断
    • 增量更新数据源（反哺 Code Graph）

路由规则

• 图谱有 && 文件干净 → 走图谱（最快）
• 图谱有 && 部分文件脏 → 图谱为主 + Roslyn 补脏的部分
• 图谱没有（新代码）→ Roslyn 兜底
• 只有图谱能做（数据流、全局拓扑）→ 图谱

决策路径回顾

6 轮对话如何逐步推动方案演进——人类的判断与 AI 的贡献并行：

轮次	人类的判断	AI 的贡献	方案演进
#1	引入 MC 实践交叉对比	读完长文逐条对比，识别自身不足	“tree-sitter 过渡” → “直接 Roslyn”
#2	要求深究 LSP vs Code Graph 本质	产出多维度系统对比，发现三个决定性差距	明确 Code Graph 的核心优势
#3	追问结合使用的问题	诚实暴露 5 个组合方案的真实代价	从”都要”到”聚焦”
#4	聚焦 coding 实时性	跳出框架，快速产出 4 个替代方案	引入 Roslyn Workspace MCP 新思路
#5	“盲区可以识别，降级处理”	展开完整降级机制设计	Code Graph 的实时性问题变为可管理
#6	“它们不冲突，是互补的”	立刻产出统一架构设计	最终方案：统一 MCP Server

三方价值解构

🧑 人的价值

以下按叙事节奏排列——从基础能力到高光时刻，像爬山一样渐入佳境：

❶ 持续追问的韧性——不在”看起来不错”上停下

AI 的每一轮回答都很完整、很专业、附带表格和架构图。大多数人可能在第 1 轮就会说”就按这个来吧”。

但这位开发者连续追问了 6 轮，每一轮都从 AI 几千字的分析中抓取一个关键点，提出新的问题。这种韧性不是技术能力，是思维习惯——对”足够好”的不满足，对”真正好”的持续追求。

---

❷ 节奏把控——知道什么时候展开，什么时候收敛

回顾 6 轮对话的节奏：第 1-2 轮展开（探索方案空间，引入外部参照），第 3-4 轮质疑（追问组合方案的问题，聚焦实时性），第 5-6 轮收敛（重构问题，做出最终架构决策）。

人类没有在第 1 轮就急着选方案（太早收敛），也没有在第 6 轮还在探索新方向（过度发散）。这种节奏感不是 AI 能学会的——它取决于人对”信息是否充分”的直觉判断。

---

❸ 判断力——在 AI 给出”正确但平庸”的方案时，敢于否决

“我觉得应该用 Roslyn，不应该中间方案。”

AI 给了一个稳妥的三阶段路线：先 tree-sitter，再 Roslyn，最后向量嵌入。这个方案没有错——但它是”不会犯错”的方案，不是”最优”的方案。人类一句话跳过了可能浪费数周的过渡阶段。

如果没有这个判断：团队可能花 2-3 周搭建 tree-sitter 管道，最终发现能力不足，再推倒重来。

---

❹ 信息嗅觉——知道去哪里找参照物，而不是只听 AI 的

“另外有一个 Code Graph 实践分享可以参考。你交叉对比下。”

人类没有问 AI “你觉得还有什么参考”，而是自己带来了《我的世界》团队的实践文章。这篇文章直接打破了 AI 的认知边界——AI 之前完全没提到数据流追踪这个杀手级能力。

如果没有这个判断：AI 会继续在自己的知识范围内打转，数据流追踪可能永远不会进入方案。

---

❺ 代码品味——分辨”看起来都行”和”本质上不同”

“你提到的 LSP 和 Code Graph MCP 深入分析下这个区别。”

AI 提到 LSP 和 Code Graph 时，语气是”两者各有优劣，可以互补”。人类的直觉告诉他：这两个东西不是同一层级的。追问之后，AI 发现了三个决定性差距——多层调用链、字段读写、数据流——彻底拉开了两者的距离。

如果没有这个判断：LSP 可能作为”够用”的方案被采纳，团队永远碰不到字段级分析和数据流追踪。

---

❻ 逆向思维——主动找自己想要的方案的反例

“结合使用会不会出现某些场景并不是最优解？”

注意：人类此时其实倾向于结合使用。但他没有急着确认，而是主动寻找反例。这种”向自己的直觉开枪”的习惯，逼出了 5 个组合方案的真实问题——数据一致性冲突、路由模糊、维护成本翻倍……

如果没有这个判断：可能直接上了 LSP + Code Graph 的拼凑方案，后期在一致性冲突上踩坑。

---

❼ 场景感知——从技术分析拉回真实使用场景

“我担心 coding 过程中出现延迟，导致 coding 的问题。”

AI 之前的所有分析都在比较”能力维度”——谁的调用链更深、谁的数据流更全。人类一句话把维度切换到了使用体验：再强大的分析能力，如果在写代码时卡 5 秒，开发者就不会用。

如果没有这个判断：可能选了一个”能力最强但日常体验最差”的方案。

---

❽ 洞察力——看到 AI 标注为”缺陷”背后的真相

“新代码是不是盲区但是可以识别出来，降级处理？”

AI 列出了 Code Graph + 校验层方案的优缺点对比，在缺点栏写着 ❌ “新代码盲区”。对 AI 来说，这是一个事实判断——图谱里没有新代码，所以是盲区，所以是缺陷。

但人类看到了 AI 没看到的一层：”盲区”和”错误”不是一回事。盲区是”已知的未知”——你知道自己不知道，这就意味着你可以处理它。

这个洞察不是逻辑推导出来的，是直觉。AI 拥有关于这个方案的所有信息，但它没有做出这个判断。人类只用了一句话。

如果没有这个判断：Code Graph 方案会因为”新代码盲区”被标记为不可接受，从候选中淘汰。

---

❾ 问题重构——把洞察转化为工程方案

洞察力告诉人类”盲区可以识别”，但光有洞察不够——还需要把它变成可执行的工程语言。人类用了四个字完成了这个转化：”降级处理”。

这四个字给了 AI 一个明确的工程方向。AI 立刻展开了完整的降级机制设计——脏文件追踪、版本比对、git diff 感知、99% 命中率估算。

这是整个对话的转折点。洞察（盲区 ≠ 错误）+ 重构（降级处理）= Code Graph 从”有致命缺陷”变成了”可以兼得深度和实时性”。

如果没有这个判断：如果只有洞察没有重构：人类知道”盲区不是问题”，但 AI 不知道该怎么做，方案仍然卡住。

---

❿ 综合判断与洞察——在充分分析后做出 AI 做不出的架构决策

“其实我觉得 Roslyn Workspace MCP 和 Code Graph 本身不冲突啊，结合使用更好？”

这和第四幕的”结合使用”看似相同，实则完全不同。第四幕是 LSP + Code Graph（两个竞争方案的拼凑），第七幕是 Roslyn Workspace + Code Graph（MySQL + Redis 的分层架构）。人类经过 5 轮深度分析后，看到了一个 AI 一直没看到的结构：它们不在同一层，所以不冲突。

这里同样有一个洞察在先：它们不在同一层，所以不冲突。AI 一直把 Roslyn Workspace 和 Code Graph 当作同一层级的替代方案来对比，人类看到了它们其实是不同层——一个是数据源，一个是缓存。先有这个洞察，才有”分层组合”的架构判断。

如果没有这个判断：要么停在”只用 Roslyn Workspace”（缺深度），要么停在”只用 Code Graph”（缺实时性），拿不到最终的最优解。

🤖 AI 的价值

价值	体现
知识广度	一次性列出 6 种技术方案，每种附带适用场景
深度展开	每一轮追问都产出完整的多维对比（表格、架构图、代码示例）
结构化表达	把复杂技术对比组织为易于决策的格式
快速生成	被要求”给其他方案”时，几分钟内输出 4 个完整替代方案
交叉验证	读完外部长文后逐条对比，识别出自身建议的不足
细节设计	路由策略、降级机制、增量更新管道——完整的工程级细节
纠正后快速调整	人类每次指出问题，立刻调整方向，不固执
多维度并行思考	同时权衡实时性、深度、运维成本、内存、实现难度

🤝 协作的价值

1. 对话即设计

最终架构不是任何一方独立产出的。它在 6 轮对话中逐步涌现——人类追问打开新的分析维度，AI 展开填充技术细节，人类从中提取关键判断，推动方案进化。

2. 渐进式精炼

每一轮的模式相同：人类提出新角度 → AI 展开分析 → 人类判断取舍 → 方案向前推进一步。6 轮下来，方案从”tree-sitter 三阶段”进化到”Roslyn + Code Graph 统一架构”。

3. 信息不对称互补

人类有场景直觉但缺技术细节，AI 有技术细节但缺场景判断。对话弥合了这个 gap——人类问”coding 时会不会卡”，AI 回答”延迟模型是这样的”。

4. 思考放大器

人类一个追问（几秒钟）→ AI 展开完整分析（几分钟产出几千字）→ 人类从中抓取一个关键点（几秒钟）→ 推动方向性决策。人类的每一秒思考都被 AI 放大了数百倍。

5. 内置纠错

AI 给了次优方案？没关系。人类追问一下就能把它拉回来。协作过程自带纠偏机制——不需要一次做对，只需要能持续改进。

---

深层思考：这和”需求澄清”有什么区别？

有人可能会说：人类在这个过程中做的不就是”需求澄清”吗——告诉 AI 我要什么，AI 负责实现？如果是这样，人类的价值就被大大缩小了——毕竟需求澄清可以被一份好的需求文档替代。

但仔细审视这次对话，会发现它和需求澄清有三个根本不同。

区别一：答案在开始时不存在

需求澄清：

客户脑中已有模糊画面 → 开发者通过提问提取 → 画面变清晰

答案的位置：从始至终在客户脑中，只需要被提取出来

这次对话：

人类脑中：grep 不好用，想要更好的（具体是什么？不知道）

第 1 轮后：哦原来有 Code Graph 这种东西

第 3 轮后：哦原来 LSP 和 Code Graph 本质不同

第 5 轮后：哦原来盲区可以降级

第 6 轮后：哦原来它们可以分层组合

答案的位置：开始时不在任何人脑中，在对话中逐步生成

需求澄清是”提取”，这次对话是”生成”。你不可能”澄清”一个你自己还不知道的需求。

区别二：问题在双向循环中演化

需求澄清的信息是单向流动的：客户 → 开发者。问题始终是”客户到底要什么”。

这次对话的信息是双向循环的：人类追问 → AI 分析 → 人类获得新认知 → 基于新认知再追问 → AI 新分析 → …

关键证据：人类的问题在不断进化。

• 第 1 轮：人类问”有什么方案”（开放探索）
• 第 3 轮：人类问”LSP 和 Code Graph 本质区别”（基于 AI 的分析形成的新问题）
• 第 5 轮：人类问”盲区能不能降级”（依赖于 AI 在第 4 轮提出的”校验层”方案）

人类的第 5 个问题，在第 1 轮时是不可能被提出的——因为它依赖于前 4 轮 AI 的分析所创造的认知。

区别三：问题本身被重新定义了

需求澄清不改变问题本身——问题始终是”客户要什么”，只是答案越来越清晰。

这次对话中，问题被重新定义了三次：

• “有什么方案替代 grep？”
• “怎么在深度和实时性之间取最优？”
• “怎么让两套系统分层协作？”

“盲区可以降级处理”这句话，不是在澄清需求，而是在重新定义问题的解空间——把”二选一”转化为”可以兼得”。

对比总览

特征	需求澄清	协作式架构设计（本案例）
答案的位置	在客户脑中	开始时不存在
信息流向	单向提取	双向循环
问题稳定性	问题不变，答案渐清	问题本身在进化
人类的角色	需求提供者	判断者 + 问题重构者
AI 的角色	需求接收者	分析展开 + 方案生成
产出来源	从客户脑中提取	对话中涌现

为什么这个区别重要？

因为它决定了人类在 AI Coding 中的定位：

• 如果只是需求澄清 → 人类是”产品经理”，AI 是”开发者” → 人类可以被更好的需求文档替代
• 如果是协作式架构设计 → 人类是”思考伙伴”，和 AI 在不同维度上共同思考 → 人类不可替代，因为认知的演化依赖于双方的交互

“这意味着人在 AI Coding 中的核心价值不是’提需求’，而是’在对话中持续产生高质量的判断和追问，推动认知共同演化’。”

结论：最好的 AI Coding 是一场高质量的对话

1. 人不是 AI 的监工，AI 也不是人的替代

这个案例中，人类没有”指挥” AI 做什么。人类做的是追问、质疑、重构问题、做取舍。AI 做的是展开、分析、设计、快速调整。两者在能力维度上几乎没有重叠。

2. AI 的第一个答案是起点，不是终点

AI 的第一版方案（tree-sitter 三阶段）和最终方案（Roslyn + Code Graph 统一架构）之间，隔着 6 轮人类的追问和判断。第一个答案不是错的，但它是安全的、保守的、缺乏场景判断的。

3. 人的价值不在于知道答案，而在于知道该问什么问题

人类在这个过程中没有给出任何技术实现细节。但”Code Graph 会不会更好？”、”结合使用会不会反而更差？”、”盲区能不能降级处理？”——这些问题改变了方案的走向。好的问题比好的答案更稀缺。

4. 协作的产出 > 任何一方单独的产出

如果只有人类：缺乏技术广度和深度，可能停留在”Roslyn 应该比 grep 好”的模糊直觉上。

如果只有 AI：缺乏场景判断和追问韧性，大概率停在”tree-sitter 先跑起来”的安全方案上。

两者协作：产出了一个经过 6 轮验证的、既有深度又有实时性的统一架构。

“最好的 AI Coding 不是让 AI 替你思考，也不是让 AI 听你指挥。而是两个不同维度的智能体，在对话中碰撞出任何一方都无法独立到达的方案。”

---

本案例基于一次真实的技术方案讨论记录整理。