🧬 碰撞后的新生：什么存活，什么新生

正题和反题都是对的——合题用 Asset Value 公式重评五条核心认知资产，逐条判决：durable、decaying、emerging。

📐 评价框架快速回顾

两条轴：

• Value（判断价值）：高 = 触及本质、跨场景适用；低 = 场景化、工具特定。
• Stability（稳定性）：高 = 跨模型版本、跨工具链稳定；低 = 随 AI 能力提升快速贬值。

分类：Durable = 高价值 × 高稳定性（制度/社会层面判断，窄而坚实）。Temporary = 高价值 × 低稳定性（技术/工具层面模式，需版本管理）。 碰撞后的重评逻辑：正题篇告诉我们哪些判断有价值；反题篇告诉我们哪些判断的稳定性被高估了。

📌 Asset 1: 生成廉价，正确性昂贵 → STILL DURABLE

class: durable | stability: high → still high | confidence: 0.92 → 0.94 这是碰撞后唯一一条置信度反而上升的资产——因为两边的证据都在强化它。

• 正题篇证据链：METR 2025（感知+20%/实际-19%）→ Augment Code 2026（复杂度+41%）→ MIT CSAIL（50% 符合）→ Stack Overflow 2025（66% 困扰「差一点就对」）→ BunnyShell 2026（67% 多花时间修复）。
• 反题篇新增证据：Wasowski 的实验——一份 Spec 需要 4 次重解释，本质上是为 AI 的「正确性赤字」支付了维护税。80% 开发者使用 AI Agent 但信任度降至 29%（BunnyShell 2026）。Addy Osmani 的「80% 问题」——Agent 快速生成 80%，剩余 20% 产生隐性复合成本。

两边的证据从不同方向汇聚：「生成」和「正确」之间的鸿沟是真实的、持久的、可能还在扩大。Google 75% 新代码 AI 生成但 Spotify 最佳开发者不再手写代码——这个矛盾恰好说明了鸿沟。

📌 Asset 2: 约束即自由 → DURABLE，但需要形式演化

class: durable | stability: high → medium-high | confidence: 0.90 → 0.85 正题篇的核心洞察——约束创造自由——仍然是正确的。反题篇没有否定约束的价值，但暴露了一个问题：约束的「形式」决定了它的稳定性。

• 自然语言约束（Spec）：价值在减少 AI 的搜索空间，但稳定性存疑——Wasowski 证明同一份 Spec 在不同模型版本下产生不同的解释。
• 可执行约束（Test/Type/Contract）：价值同样在减少搜索空间，但稳定性大幅更高——一份可执行测试穿越 6 个模型版本零修改。

约束本身不会过时。但约束的表达方式需要从「自然语言声明」向「可执行形式」迁移。这不是对 SDD 的否定——这是对 SDD 的进化：SDD 教给我们约束的重要性，然后它教会我们什么样的约束最稳定。

📌 Asset 3: AI 注意力管理 ≈ 人类注意力管理 → DURABLE

class: temporary → durable | stability: medium → high | confidence: 0.82 → 0.85 这条资产在碰撞后反而升级了——从 temporary 升为 durable。原因：

• BunnyShell 2026 实测：50+ 并发 Agent 操作触发 context window overflow——这不是 AI 能力提升能解决的问题，是架构约束。
• Context Hygiene 的原则（单任务单 Agent 会话、每功能独立 Spec、核心约束 ≤7）不依赖任何特定工具链或模型版本。
• Gemini 的 2M token context window 没有解决注意力稀释——更大的 context 反而让 Agent 更容易被无关信息分散。

注意力管理是一个跨代的约束——从人类认知（Miller's Law）到 AI Agent 架构（Context Hygiene），它以一种新的形式延续。

📌 Asset 4: Spec 作为一级项目资产 → DECAYING

class: durable → temporary | stability: medium → low | confidence: 0.78 → 0.60 这是碰撞后受损最严重的资产。正题篇将其定位为 durable（制度记忆/共享真理），反题篇证明了它的跨版本稳定性不足。

• Devoteam 2026 描述的「Spec 成为活跃的操作合约」仍然是一个有价值的方向——但「活跃」意味着 Spec 需要被持续校验，而不能作为独立的事实来源。
• OpenSpec 的 Archive 机制需要在每次模型升级后重新验证——Archive 积累的不是真理，是特定版本映射。
• SDD Level 3（Spec-as-Source）需要降级为一个理想目标而非当前实践的成熟度定位。Level 2（Spec-Anchored，Spec + 代码双校验）才是当前可维护的成熟度上限。

Spec 没有「死」。它的定位从「唯一真相来源」调整为「意图声明 + 交叉验证对象」。它的同类资产（可执行测试）从「验证 Spec 的工具」升格为「和 Spec 平级的事实来源」。

📌 Asset 5: MCP — SDD 的执行层伙伴 → ACTIVE, UPGRADING

class: durable | stability: high → higher | confidence: 0.88 → 0.90 MCP 是碰撞后置信度上升的资产之一。它解决了 Spec 的「How」部分的不确定性问题：

• MCP 标准化了工具调用——Spec 中不再需要自然语言描述「调用什么 API、传什么参数」，只需声明「使用 MCP Server X 的 Tool Y」。这消除了自然语言的歧义性。
• 2026 年 4 月 Anthropic 将 MCP 捐赠至 Linux Foundation 旗下 Agentic AI Foundation——10,000+ 活跃公共服务端、97M+ 月 SDK 下载量。制度化降低了工具的瞬时性风险。
• Python 已固化为 Agent 开发的自然运行时（Devoteam 2026），MCP + Python 的组合形成了 SDD → FDD 的工程基础。

MCP 在辩证运动中的角色：如果 Spec 是「What」、Test 是「Actually Works」，MCP 就是「Tool Layer」——它让 Spec 更短更确定，因为它抽取了自然语言中最模糊的部分（操作细节）。

🧬 合题公式：FDD = Spec + Test + MCP

正反碰撞后，核心命题被重新表述：

FDD 不是 SDD 的替代品——它是 SDD 教给我们的下一课。SDD 教给我们「要约束」。FDD 教给我们「什么样的约束最稳定」。SDD 的价值不在于它是对的——而在于它引出了正确的问题。

_{元层 · 第三篇 | evaluation framework: Reflection Skill Asset Value Formula | dialectical position: Synthesis | next: Application}