1
2

f(x) = x²
f(3) = 9  # 永远是 9,在任何时空、任何计算环境

1
2
3

# 数学式的完美幂等
∀x ∈ ℝ: sin(π/2) = 1
# 无论计算多少次,在什么时候计算,结果都是 1

1
2
3
4
5
6

# Python 中的纯函数尝试
def add(a, b):
    return a + b

# 看起来很纯粹,但实际上...
print(add(0.1, 0.2))  # 0.30000000000000004,不是精确的 0.3

1
2
3
4
5

# 数学: 0.1 + 0.2 = 0.3
# 编程:
result = 0.1 + 0.2
print(result == 0.3)  # False!
print(result)         # 0.30000000000000004

1
2
3
4
5
6
7
8

# 数学中的递归是无限的
# 编程中必须考虑栈溢出
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

# fibonacci(100000) → RecursionError: maximum recursion depth exceeded

1
2
3
4
5
6
7
8
9
10
11
12

# 纯函数无法真正与外界交互
def read_file(path):
    # 文件内容可能变化 → 非幂等
    # 文件可能不存在 → 异常处理
    # 磁盘可能损坏 → 外部状态依赖
    with open(path, 'r') as f:
        return f.read()

# 同样的调用,可能返回不同内容
content1 = read_file('data.txt')  # 返回 "Hello"
# 此时文件被修改
content2 = read_file('data.txt')  # 返回 "World"

1
2
3
4
5
6
7
8
9

from datetime import datetime

def get_current_hour():
    return datetime.now().hour

# 同样的函数,不同时刻调用,不同结果
print(get_current_hour())  # 14
# 一小时后
print(get_current_hour())  # 15

1
2
3
4
5
6
7
8

-- Haskell 通过类型系统隔离副作用
pureFunction :: Int -> Int
pureFunction x = x * 2

impureFunction :: Int -> IO Int
impureFunction x = do
  currentTime <- getCurrentTime
  return (x + timeToInt currentTime)

1
2
3
4
5
6
7
8
9
10
11
12
13
14

class Counter:
    def __init__(self):
        self._value = 0
    
    def increment(self):
        self._value += 1
        return self._value

# 使用示例
counter = Counter()
print(counter.increment())  # 1
print(counter.increment())  # 2
print(counter.increment())  # 3
# 完全非幂等!同样的方法调用,不同的结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

public class UserSession {
    private String token;
    private LocalDateTime lastActivity;
    
    public boolean isValid() {
        // 结果依赖于内部状态
        if (token == null || lastActivity == null) {
            return false;
        }
        
        LocalDateTime now = LocalDateTime.now();
        Duration diff = Duration.between(lastActivity, now);
        return diff.toMinutes() < 30;  
        // 同样的对象,不同时刻,不同结果
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

// 全局配置对象(单例模式)
public class AppConfig {
    private static AppConfig instance;
    private boolean debugMode;
    private User currentUser;
    
    private AppConfig() {
        this.debugMode = false;
        this.currentUser = null;
    }
    
    public static AppConfig getInstance() {
        if (instance == null) {
            instance = new AppConfig();
        }
        return instance;
    }
    
    public User getCurrentUser() {
        return currentUser;
    }
    
    public void setCurrentUser(User user) {
        this.currentUser = user;
    }
}

// 任何方法访问这些状态都变成非幂等
public String getGreeting() {
    AppConfig config = AppConfig.getInstance();
    User user = config.getCurrentUser();
    return user != null ? "Hello, " + user.getName() : "Hello, Guest";
    // 结果依赖全局状态 → 非幂等
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

public class BaseComponent {
    protected boolean initialized = false;
    
    public void init() {
        this.initialized = true;
    }
}

public class ChildComponent extends BaseComponent {
    private int childState = 0;
    
    @Override
    public void init() {
        super.init();
        this.childState = 42;
    }
    
    public int getValue() {
        // 结果依赖于 init() 是否被调用
        return this.initialized ? this.childState : 0;
    }
}

// 使用示例
ChildComponent comp = new ChildComponent();
System.out.println(comp.getValue());  // 0
comp.init();
System.out.println(comp.getValue());  // 42

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# Singleton: 全局状态的官方认可
class Database:
    _instance = None
    
    def __new__(cls):
        if cls._instance is None:
            cls._instance = super().__new__(cls)
            cls._instance.connection = None
        return cls._instance
    
    # 现在整个应用都依赖这个单一状态

# Observer: 状态变化的级联效应
class Subject:
    def __init__(self):
        self._observers = []
        self._state = None
    
    def attach(self, observer):
        self._observers.append(observer)
    
    def notify(self):
        for observer in self._observers:
            observer.update(self._state)  # 触发连锁反应

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# Python 多线程的竞态条件
import threading

class SharedCounter:
    def __init__(self):
        self.value = 0
    
    def increment(self):
        # 非原子操作!
        temp = self.value
        temp += 1
        self.value = temp

counter = SharedCounter()

def worker():
    for _ in range(1000):
        counter.increment()

# 两个线程同时操作
t1 = threading.Thread(target=worker)
t2 = threading.Thread(target=worker)
t1.start()
t2.start()
t1.join()
t2.join()

print(counter.value)  # 预期 2000,实际可能是 1856、1923...
# 完全不可预测!

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 同样的 prompt,不同的结果
prompt = "请写一个二分查找算法"

response1 = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": prompt}]
)
# 可能返回递归实现

response2 = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": prompt}]
)
# 可能返回迭代实现

# 即使设置 temperature=0,也无法保证完全相同

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

# 即使是相同的模型、相同的温度
import anthropic

client = anthropic.Anthropic()

def generate_code(prompt):
    return client.messages.create(
        model="claude-sonnet-4.5",
        max_tokens=1024,
        temperature=0,  # 最低随机性
        messages=[{"role": "user", "content": prompt}]
    )

result1 = generate_code("实现快速排序")
result2 = generate_code("实现快速排序")

# result1 和 result2 可能在变量命名、注释风格、
# 优化策略上有差异

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# 简单问题: 相对确定
prompt1 = "1+1等于几?"
# → 几乎总是返回 "2"

# 复杂问题: 高度不确定
prompt2 = """
我有一个 Web 应用,用户反馈加载慢。
技术栈是 React + Node.js + MongoDB。
日活 5000,数据库有 100 万条记录。
请给出优化方案。
"""
# AI 需要假设/推断:
# - 慢在哪里?前端还是后端?
# - 什么查询?是否有索引?
# - 服务器配置如何?
# - 网络状况如何?

# 每次可能给出完全不同的优化建议:
# - 增加索引
# - 实现缓存层
# - 代码分割
# - CDN 加速
# - 数据库分片

1
2
3
4
5
6
7
8
9
10
11
12
13

# 2023 年 1 月
response = ask_llm("Python 最流行的 Web 框架是什么?")
# → "Django 和 Flask 是最流行的..."

# 2024 年 12 月
response = ask_llm("Python 最流行的 Web 框架是什么?")
# → "FastAPI 近年来非常流行..."

# 同样的问题,因为:
# 1. 模型训练数据更新
# 2. 实际技术趋势变化
# 3. 社区共识演变
# "正确答案"本身就在变化

1
2
3
4
5
6
7
8
9
10
11
12
13

# 版本 1
prompt_v1 = "写一个排序函数"
# → 可能返回冒泡排序(简单教学版)

# 版本 2(仅添加"高效")
prompt_v2 = "写一个高效的排序函数"
# → 可能返回快速排序或归并排序

# 版本 3(仅添加"生产环境")
prompt_v3 = "写一个生产环境用的排序函数"
# → 可能返回 Tim Sort 并附带详细错误处理

# 微小的措辞差异导致完全不同的输出

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

prompt = """
请实现一个 HTTP 服务器的接口限流中间件。

技术要求:
- 语言: Python 3.10+
- 框架: Flask
- 算法: 令牌桶(Token Bucket)
- 限流规则: 每 IP 每分钟 100 请求

代码规范:
- 遵循 PEP 8
- 类型注解完整
- 包含 docstring
- 添加单元测试

请给出完整实现,包括:
1. 中间件类定义
2. 配置接口
3. 使用示例
4. 单元测试用例
"""

# 通过详细约束提高输出质量
# 但不同执行可能强调不同方面

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

# 概率本质: 每个 token 都是从概率分布中采样
def llm_generate(prompt):
    # 简化的概念模型
    context = encode(prompt)
    output = []
    
    for _ in range(max_tokens):
        # 预测下一个 token 的概率分布
        probs = model.predict_next_token(context)
        # {
        #   "def": 0.45,
        #   "class": 0.30,
        #   "import": 0.15,
        #   "from": 0.08,
        #   ...
        # }
        
        # 采样!即使 temperature=0,也是取最高概率
        # 但多个 token 概率接近时,微小的数值差异
        # 就可能导致不同选择
        next_token = sample(probs, temperature)
        output.append(next_token)
        context = update(context, next_token)
    
    return decode(output)

# 每次采样都可能走上不同的路径

1
2
3
4
5
6
7
8
9
10
11
12

prompt = "请计算: 2 + 2 = ?"

# 99.9999% 的情况返回 "4"
# 但理论上可能返回:
# - "4(十进制)"
# - "10(二进制)"
# - "在模 2 算术中等于 0"
# - "这取决于你使用的数制..."
# - 开始解释加法的历史

# 因为 LLM 是模式匹配,不是符号运算
# 完全的幂等性是不可能的

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

# 纯函数时代: 简单但局限
def calculate_tax(amount):
    return amount * 0.1  # 完全确定,但功能单一

# OOP 时代: 强大但复杂
class ShoppingCart:
    def __init__(self):
        self.items = []
        self.user = None
        self.discounts = []
    
    def add_item(self, item):
        self.items.append(item)
        self.recalculate_total()  # 级联更新
    
    def apply_discount(self, code):
        # 依赖外部 API 验证
        # 依赖用户状态
        # 依赖时间(限时优惠)
        # 完全非幂等
        pass

# AI 时代: 智能但不确定
async def optimize_checkout(cart, user_history):
    prompt = f"""
    用户购物车: {cart}
    历史记录: {user_history}
    请推荐最佳的支付方式和优惠组合
    """
    
    # 每次可能给出不同建议
    return await ai.complete(prompt)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

# 数学: 封闭世界假设
# "给定完整的信息,推导确定的结论"
theorem = "∀x ∈ ℕ: x + 0 = x"

# 编程: 开放世界假设
# "在不完整的信息下,做出最佳决策"
def handle_user_input(input_string):
    # 输入可能是任何东西
    # 必须处理边界情况
    # 必须应对意外情况
    if not input_string:
        return default_value()
    try:
        return process(input_string)
    except Exception as e:
        log_error(e)
        return fallback_value()

# AI: 概率世界假设
# "基于模式和统计,生成最可能的答案"
def ai_solve(problem_description):
    # 没有"正确答案"
    # 只有"合理答案"
    # 输出是概率分布的采样
    return sample_from_distribution(
        learned_patterns(problem_description)
    )

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

# 不是追求"肯定返回 X"
# 而是"90% 概率返回 X 类,10% 概率返回 Y 类"

class AICodeGenerator:
    async def generate_function(self, spec):
        # 生成多个候选
        candidates = await asyncio.gather(*[
            self._generate_once(spec) for _ in range(5)
        ])
        
        # 评估质量分布
        scores = [self._evaluate(c) for c in candidates]
        
        # 选择最优,但承认不确定性
        best_idx = scores.index(max(scores))
        return {
            'code': candidates[best_idx],
            'confidence': max(scores),
            'alternatives': candidates[:3]
        }

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 不是全局幂等,而是关键路径幂等
class PaymentService:
    def __init__(self):
        self._processed = {}  # 幂等性缓存
    
    async def process_payment(self, transaction_id, amount):
        # 这个操作必须幂等!
        if transaction_id in self._processed:
            return self._processed[transaction_id]
        
        # 实际处理(可能非幂等)
        result = await self._execute_payment(amount)
        
        # 缓存结果保证幂等性
        self._processed[transaction_id] = result
        return result
    
    async def _execute_payment(self, amount):
        # 这里可以调用 AI 做风控分析(非幂等)
        risk_score = await ai_risk_assessment(amount)
        if risk_score > 0.8:
            # AI 给出的理由可能每次不同,但决策是幂等的
            raise PaymentRejected("High risk detected")
        
        return await bank_api.charge(amount)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

# 对于 AI 生成的代码,不追求幂等性
# 而是通过测试保证正确性

class AIAssistedDevelopment:
    async def implement_feature(self, requirements):
        # 生成多个实现
        implementations = []
        for i in range(3):
            code = await ai.generate_code(requirements)
            implementations.append(code)
        
        # 交叉验证
        test_results = []
        for impl in implementations:
            result = await self._run_tests(impl)
            test_results.append({
                'code': impl,
                'passed': result.passed,
                'coverage': result.coverage,
                'performance': result.performance
            })
        
        # 选择最可靠的实现
        best = max(test_results, key=lambda x: (
            x['passed'],
            x['coverage'],
            -x['performance']  # 越小越好
        ))
        
        return best['code']

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

# 传统测试: 期望确定的结果
def test_add():
    assert add(2, 3) == 5  # 必须精确等于 5

# AI 时代的测试: 期望合理的结果
def test_ai_code_generation():
    code = ai.generate("实现 add 函数")
    
    # 不测试具体代码,测试行为
    assert 'def' in code or 'function' in code
    assert is_valid_syntax(code)
    
    # 动态执行测试
    func = compile_and_import(code)
    assert func(2, 3) == 5
    assert func(0, 0) == 0
    assert func(-1, 1) == 0
    
    # 关注结果的正确性,不关注实现的一致性

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# Python 中的属性测试(使用 hypothesis)
from hypothesis import given, strategies as st

# 传统测试
def test_reverse_twice():
    assert reverse(reverse([1, 2, 3])) == [1, 2, 3]

# 属性测试: 测试性质而非具体值
@given(st.lists(st.integers()))
def test_ai_generated_sort(arr):
    sort_fn = ai.generate_sort_function()
    sorted_arr = sort_fn(arr)
    
    # 测试排序的性质
    # 1. 长度不变
    assert len(sorted_arr) == len(arr)
    
    # 2. 顺序正确
    for i in range(len(sorted_arr) - 1):
        assert sorted_arr[i] <= sorted_arr[i + 1]
    
    # 3. 元素相同
    assert sorted(sorted_arr) == sorted(arr)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

# 确定性层 + 不确定性层的分离架构
class HybridSystem:
    def __init__(self):
        # 确定性组件
        self.cache = DeterministicCache()
        self.validator = DeterministicValidator()
        
        # 不确定性组件
        self.ai_engine = AIEngine()
    
    async def handle_request(self, request):
        # 1. 尝试确定性路径
        cached = self.cache.get(request.key)
        if cached and self.validator.is_valid(cached):
            return cached  # 幂等返回
        
        # 2. 进入不确定性路径
        candidates = await self.ai_engine.generate_responses(
            request, n=3
        )
        
        # 3. 通过确定性验证
        valid_candidates = [
            c for c in candidates 
            if self.validator.validate(c)
        ]
        
        if not valid_candidates:
            raise NoValidResponseError()
        
        # 4. 选择最优(可能非幂等)
        best = self._select_best(valid_candidates)
        
        # 5. 缓存以提供局部幂等性
        self.cache.set(request.key, best)
        
        return best

1
2
3
4
5
6
7
8
9
10
11

# 数学时代: 完美但封闭
f(3) = 9  # 永远如此,但只能计算

# 编程时代: 实用但妥协
square(3)  # 通常是 9,但有浮点误差

# OOP 时代: 灵活但混乱
counter.increment()  # 每次不同,但能建模复杂系统

# AI 时代: 智能但不确定
ai.solve("优化这段代码")  # 每次可能不同,但可能发现我们想不到的方案

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 1. 分层保证确定性
# 关键路径: 强幂等性(支付、数据一致性)
# 辅助功能: 弱幂等性(推荐、搜索)
# AI 增强: 非幂等性(内容生成、智能建议)

# 2. 用测试替代幂等性
# 不是保证"代码相同"
# 而是保证"行为正确"

# 3. 拥抱多样性
# 接受 AI 的创造力
# 用验证机制保证质量

# 4. 建立反馈循环
# 收集真实世界的数据
# 持续优化决策边界