再大的模型，进了一个失序的 repo（代码仓库），也像被推进别人家厨房的名厨：冰箱没有标签，调料瓶装的是水还是醋，抽屉里是刀叉还是电线，谁都不知道。我的判断很明确：AI 编码的瓶颈不是模型，是 repo 检索。今天多数所谓“AI 写代码不行”，不是它不会写，而是它找不到。
这话反直觉。大家总以为，模型像考试，分数越高，题就做得越对。错。真实开发不是闭卷考试，更像在一间年久失修的档案室里办案。代码只是纸面，真正难的是：哪份是现行文件，哪份已经作废，哪条看上去能改，背后却牵着支付、权限、日志、缓存、风控五根线。模型负责“会不会写”，repo 检索决定“知不知道该写哪一段、该不该写、改完会炸谁”。
所以 DeusData 这类 codebase-memory-mcp，MCP（让 AI 调用外部工具的协议）要解决的，并不是给模型再灌一勺聪明，而是先给它一双能翻柜子的手。许多人把模型当发动机，拼命换缸、加涡轮；真正缺的却是挡风玻璃、后视镜和地图。车不是开不动，是司机根本看不见路。
我见过一个很具体的场景。凌晨一点，前端同事要改一个“看起来只有一行”的按钮文案。人一看，当然只是把“提交”改成“确认并同步”。AI 一上来，改了组件里的字，运行通过，样式没坏，像个模范生。第二天产品一测，坏了三处：埋点事件名还叫 old_submit，实验分流读的是旧 key，客服知识库里的自动截图匹配不到新文案。问题不在那一行字，在那一行字背后拖着三层脐带。模型会写字，repo 检索才知道这字连着谁的命。
第二个场景更滑稽，也更常见。一个后端新人接手告警，说订单状态偶发错乱。他先问 AI，AI 很勤奋，列出一串可能：并发、事务、缓存、消息重复消费，听上去像把《内经》和《伤寒论》一起背了一遍。可仓库里真正起作用的，不是主服务那份状态机，而是三年前遗留在一个脚本目录里的补偿任务；白天没人提它，晚上它准时跑，像祖宅里一位不说话但握着钥匙的老人。你不给 AI 一套能跨目录、跨历史提交、跨命名别名去找“谁真正写这个字段”的检索，它就只能在明处表演聪明，在暗处输给幽灵。
第三个场景发生在看似最适合 AI 的重构。团队想把用户体系从 A 模块迁到 B 模块。模型写迁移脚本，写接口适配，写测试桩，甚至还能顺手补注释，勤奋得像一个刚转正的人。但它漏掉了最要命的部分：repo 里有七种“用户”的叫法，user、account、member、principal、profile、subject、owner，每个词都像亲戚，见面都点头，分钱时却各算各账。模型最怕这种事。它不是不会推理，它是没有族谱。没有代码仓库的记忆层，它看到的是词；有了检索，它才知道这是血缘。
这就是反常识的地方：AI 编码最稀缺的，不是“生成能力”，而是“定位能力”。不是“写出一段像样的代码”，而是“在百万行里找出那十五行真正该动的代码”。前者像作文，后者像拆弹。作文靠文采，拆弹靠线序。把这两件事混为一谈，就像夸一个人口才好，于是派他去做外科手术。
今天很多人争论 Claude、GPT、Cursor 谁更强，争得像茶馆里比刀。刀当然有快慢，但厨房真正折磨人的，常常不是刀钝，而是找不到菜板。模型升级一代，确实能把补全写得更圆润，把解释讲得更像人；可只要 repo 检索还是“关键词碰运气”，AI 就依旧像一个被蒙眼带进仓库的实习生，力气很大，方向全错。它不是没有能力，它是没有地形感。
代码仓库从来不是一堆文件，而是一套地方社会。函数名是方言，目录结构是村道，注释是路边口耳相传的传说，README 像县志，issue 像族谱里的恩怨，最近三个月的 commit（提交记录）才是现实政治。人类工程师之所以还能活，不是因为脑子比模型强多少，而是因为他在这个地方住过，知道哪条路雨天会塌，哪个模块表面归 A 管，实际上要先给 B 打招呼。所谓资深，不只是会写，更是会找，会闻，会绕路。真正像人的 AI，不是更会背答案，而是更会在仓库里认路。
所以我越来越确信，下一阶段决定 AI 编码上限的，不是谁家的模型参数再长一截，而是谁先把 repo 变成可检索、可追溯、可召回的“活记忆”。你可以把它理解成给代码仓库装索引，也可以理解成给 AI 配秘书。秘书不负责写文章，秘书负责在老板开口前三秒，把正确那一沓纸递到桌上。递错一页，老板再聪明也要胡说；递对十页，普通人也能像模像样。
这也是为什么很多团队用了最贵的模型，体验却像高薪请了个天才，结果天天让他在地下室翻旧箱子。天才当然会崩。人类社会最浪费的配置，就是让高认知做低定位；软件工程里也一样。把最强的模型拿去做最原始的 grep（文本搜索）体力活，本身就是组织失能，不是技术前沿。
我愿意把话说得再重一点：没有 repo 检索，AI 编码就是一种豪华的盲写。能写，但常常写在错误的地方；能改，但常常不知道改动的半径；能答，但答的是概率，不是上下文。模型像大脑，repo 检索像视力。一个人再聪明，眼前全糊，也只能摸着墙走。今天行业里最热闹的部分在拼脑容量，最关键的缺口却是配眼镜。热闹常常长在错误的地方。
几句我愿意留下来的判断，说白了都是一回事：
AI 写不好代码，往往不是因为它不会写，而是因为它不知道该读什么。
强模型解决的是“像不像工程师”，仓库检索解决的是“认不认识这个工地”。
代码生成决定下限，repo 检索决定上限。
在陌生仓库里，最贵的模型也可能只是一个迷路的高材生。
软件工程最隐蔽的成本，不是写错一行，而是改对了一行、却改错了位置。
说到底，编程从来不是把语法拼出来，而是在一座早已住满人的房子里，找到那根真正该拧的螺丝。模型给你的是手，repo 检索给你的是灯。没有灯，手越有力，砸坏的东西越多。
别人聊 AI，我们测 AI——每个结论都能下载原始数据自己复算。 🔗 官网 👉 https://crawdpad.com