What Is Code?
编译摘要
1. 浓缩
- 核心结论1: 在 LLM 时代，代码作为机器指令的部分被商品化，但代码作为问题领域概念模型的价值变得更重要。
- 关键证据: Unmesh Joshi 区分 code 的两个方面：instructions to a machine 和 conceptual model of the problem domain。LLM 让生成可执行指令变便宜，但不会自动生成团队共享理解。
- 关键含义: 代码不是只是让机器跑的文本，它也是人类、工具和 LLM 理解系统的中介。
- 核心结论2: 编码是 vocabulary building：把业务领域、技术领域和编程语言构造映射成一套可执行、可讨论、可演化的本地词汇。
- 关键证据: 文章用 retail、web、transactions、repositories、money、bounded context、ubiquitous language 等例子说明，变量名、方法边界、类型层级和接口关系都是概念发现的结果。
- 关键机制: TDD、DDD、敏捷协作、与领域专家持续反馈，都是在塑造和验证这套词汇。
- 核心结论3: 好代码本身是 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。
- 关键证据: 作者认为 well-structured code with clear semantics 可以减少对 prompt 精度的依赖；LLM 擅长把自然语言映射到已有 vocabulary，但如果代码词汇混乱，模型只能猜。
- 对本库的意义: 这篇文章把 Code-as-Conceptual-Infrastructure 的论点说得很清楚：AI 让语法生成便宜，但让概念建模、命名、边界和共享理解更关键。
2. 质疑
- 关于代码必要性的质疑: 如果未来 DSL、规格语言和自然语言接口更强，传统代码形态可能变化。但只要系统需要可执行不变量、可验证行为和共享语义层，某种“代码式概念模型”仍然必要。
- 关于短生命周期代码的质疑: 对一次性脚本、低风险原型或可随时重写的小工具，理解完整 vocabulary 的必要性较低；本文更适用于长期演化、多人协作和高风险系统。
- 关于 LLM 适配的质疑: 好代码能帮助 LLM，但不能消除上下文窗口、依赖漂移、测试盲区和模型迎合等风险。代码作为 harness 仍需配合外部 eval、lint、CI 和人类 review。
- 关于经验论证的质疑: 文章主要是软件工程经验和概念分析，不是实证研究。应作为理论框架使用，而非量化结论。
3. 对标
关联概念