Vocabulary Building（词汇构建）
定义
Vocabulary Building（词汇构建） 是编码的核心活动：深入理解业务领域的既有词汇，将它们与技术领域词汇相结合，在代码中通过类型、接口、类名创造出一套精确的、可执行的”新词汇”。
关键数据点
- 编码本质上是一种翻译和发现词汇的艺术，而非仅仅是敲击键盘产生字符。
- 词汇是人类、框架和 LLM 之间共享的协议；精确、一致的词汇能让 LLM 更可靠地映射意图。
- 框架和库（如 Spring）本质上是”被固化的词汇表”，捕捉了常见的应用模式。
- 编程语言通过其约束（如 Rust 的 ownership）作为”思考工具”来帮助发现词汇。
AI 时代对词汇构建的影响
AI 让语法生成变便宜，但让概念建模、命名、边界和共享理解更关键。词汇构建在 AI 时代有三层新含义：
| 层次 | 传统含义 | AI 时代含义 |
|---|---|---|
| 沟通 | 团队间共享理解 | 人类、工具和 LLM 之间的共享协议 |
| 设计 | 一个词携带约束和语义 | 词汇携带设计连锁反应，影响 Agent 行为 |
| 质量 | 代码可读性 | LLM 映射意图的可靠度 |
好代码本身就是 LLM 的 context 和 harness：稳定抽象、测试、类型和不变量会约束模型，让自然语言接口更可靠。反之，如果代码词汇混乱，模型只能猜——这就是 认知负债 在 AI 时代的新形态。
词汇构建的过程
- 发现：词汇通常不是预先设定好的，而是在 TDD（测试驱动开发）或持续重构中逐步浮现的。
- 固化：框架和库本质上是”被固化的词汇表”，捕捉了常见的应用模式。
- 本地化：在核心业务逻辑中，词汇必须在特定的 Bounded-Context 内发现，不能跨上下文混用。
- 主动参与：词汇构建需要主动参与（Active Engagement），而非被动评审 AI 生成的代码。
前提与局限性
- 前提：高质量的软件需要深度的领域对齐。
- 局限：在低代码/无代码平台，词汇构建可能被预定义的 UI 组件所屏蔽。
- 风险：过度关注词汇可能导致”过度设计”或命名上的反复纠结。
- AI 时代风险：LLM 可以快速引入看似合理的名词和结构，但团队若不理解其语义，就会积累认知负债。代码通过词汇膨胀制造了看似成熟、实则无人理解的系统。
关联概念
- Conceptual-Model — 词汇构建的目标：形成可执行的概念模型。
- Ubiquitous-Language — 词汇构建的社会化表达：团队共享的统一语言。
- Programming-Languages-as-Thinking-Tools — 构建词汇的工具：语言约束帮助发现新词汇。
- Cognitive-Debt — 词汇缺失或混乱导致的后果。
- Bounded-Context — 词汇的有效边界：跨上下文混用会导致语义崩溃。