Decide-Execute-Deliver Sandwich
定义
将知识工作（特别是软件工程）分解为三个层次的分析框架：Decide（决定做什么）、Execute（执行）、Deliver（交付验证）。AI 主要压缩中间的 Execute 层，但两端的 Decide 和 Deliver 层仍然需要人类。
为什么重要
这个框架解释了为什么 AI 编码能力快速提升，但软件工程师就业没有大幅下降。核心洞察：代码生成不是瓶颈——决定做什么和验证交付才是。
框架结构
┌─────────────────────────────────────┐
│ Decide（决定做什么） │
│ 用户需求、市场信号、组织优先级 │
│ → 需要人类判断，AI 难以替代 │
├─────────────────────────────────────┤
│ Execute（执行） │
│ 写代码、调试、测试 │
│ → AI 已大幅压缩这一层 │
├─────────────────────────────────────┤
│ Deliver（交付验证） │
│ 验证、测试、问责 │
│ → 需要人类监督，当前最真实的瓶颈 │
└─────────────────────────────────────┘
前提：Deep understanding（对系统、业务、环境的理解）
贯穿三层，是所有工作的基础
关键数据点
- GitHub 10 万开发者研究：AI 让代码行数增加 8 倍，但发布量只增加 30%——说明 Execute 层不是瓶颈
- SWE-chat 数据：只有 44% 的 AI 生成代码存活到用户提交；vibe-coded 提交引入漏洞的概率是人工的 9 倍
- Simon Willison 实证：监督 AI Agent 比自己写代码更累，到上午 11 点就精疲力尽
与 Vibe Coding 的关系
NormalTech 区分了两种实践：
- Vibe Coding：用户告诉 Agent 做什么，不监督、不审查、不评估——只有 Execute 层
- Agentic Engineering：人类保持控制和问责，AI 是工具——完整的三明治
Vibe Coding 的问题不是 AI 能力不足，而是跳过了 Decide 和 Deliver 层。
Jevons' 悖论
当代码生成成本降低时，人们会写更多软件（价格弹性高）。历史上，程序员就业从 1950 年代的接近零增长到今天的数百万。AI 可能加速这一趋势。
前提与局限性
- 行业限制：框架主要基于软件工程，其他知识工作的适用性需要验证
- 时间限制：AI 能力仍在快速提升，瓶颈可能会移动
- 假设前提：假设人类仍然需要对交付负责——如果责任机制改变，框架可能需要调整
意图理解深度分析（2026-06 更新）
"理解 what" vs "理解 why"
| 维度 | 理解 what | 理解 why |
|---|---|---|
| 内容 | 代码做了什么、语法是否正确 | 代码为什么要这样做、是否符合业务需求 |
| 层次 | 语法/语义层 | 意图/目的层 |
| AI 能力 | 当前可以做到 | 当前不能完全做到 |
| 所需知识 | 语言知识 | 领域知识 + 业务理解 |
意图理解的连续光谱
不理解 ←-----------+-----------→ 完全理解
|
AI 当前位置 ----+
|
人类当前位置 --+
- AI 正在从"不理解"向"部分理解"移动——通过更多训练数据、更好架构、更长上下文
- 意图理解是连续光谱，不是二元对立——不是"能/不能"，而是"理解多少"
意图理解的存在论分析（2026-06-23 追本）
核心洞察：意图理解 = 认知能力 + 位置性。AI 正在快速提升认知能力，但位置性是存在论层面的约束。
"理解 why" 的本质：在多个可能的世界中选择一个。选择需要：(1) 想象多个可能方案；(2) 评估每个方案在特定上下文中的后果；(3) 基于不完全信息做出选择。AI 可以做到 (1) 和部分 (2)，但 (3) 需要位置性——你需要"在这个位置上"才能做出有意义的选择。
位置性为什么不可替代：AI 不在"这个位置上"——它不承担后果、不拥有关系、不经历时间。当 AI 建议"用方案 A"时，它不是在"选择"，而是在"输出一个高概率的建议"。选择有后果承担者，建议没有。
问责不可委托的社会拓扑：即使法律允许 AI "问责"，AI 也不能真正承担后果——它不能失去工作、失去声誉、失去关系、失去自由。问责的真正含义是后果承担者在场。
实际含义：
- AI 应设计为"辅助意图校准"而非"替代意图理解"——AI 的价值是"帮人更快地确认 why"
- 组织需要设计"人在场"的机制——审批流、责任矩阵、审计日志
- AI 产品应暴露"不确定性"而非"假装确定"
AI 辅助意图理解
- 询问用户意图："你想要什么？"
- 提供选项："你是想要 A 还是 B？"
- 验证理解："我理解的是 X，对吗？"
- 关键洞察：AI 的询问/验证实际上是在帮人类做"意图校准"——确保 AI 的理解与人类的理解一致。这恰恰说明人类的意图理解仍然是标准，AI 只是在努力对齐。
组织判断力 > 个人意图理解
- AI 提供信息：数据、分析、建议
- 流程提供框架：决策流程、审批机制、记录要求
- 团队提供验证：多人协作、交叉检查、集体判断
AI 参与塑造意图
- AI 不只是理解意图，而是参与塑造意图
- 用户的"意图"可能从"我想要 X"变成"AI 建议 Y，我觉得可以"
- "意图理解"的边界会随 AI 能力变化
关联概念
- Vibe-Coding：跳过 Decide 和 Deliver 层的编码方式
- Agentic-Engineering：AI 是工具，人类保持控制和问责
- Jevons-Paradox-for-Knowledge-Work：成本降低导致需求增加
- AI-Era-Career-Skills：AI 时代需要的新技能