第九章 · 调试是一场侦探游戏

先说一个反直觉的事实：写代码是调试里最简单、最不值钱的一步。真正难的、真正花时间的、真正决定谁是高手的，是动手改之前那段没人看得见的推理。就像破案，凶手落网只是最后一秒的动作，之前那些天的勘查、走访、推理、排除，才是侦探的本事。

这一章讲的就是这段推理。调试——找出程序为什么没按你预期那样工作、然后修好它——本质上不是「改代码」这个体力活，而是一场侦探游戏。

bug 是一具尸体，你得倒推它怎么死的

侦探到现场，看到的是结果：一具尸体、一扇撬开的窗、地上的脚印。他要倒着推回去：什么样的过程，才会留下这一组痕迹？

调试一模一样。你看到的是现象：页面白屏、数字算错了、每天凌晨三点服务就崩一次。你要倒推的是：这套系统到底经历了什么，才会吐出这个结果？

能不能倒推成功，取决于你脑子里有没有一张图——这套系统到底怎么运作的那张图。我们给它个名字：因果模型，就是你心里对「谁调用谁、数据从哪流到哪、这里改一下那里会怎样」的那套理解。

这就解释了一件很多人想不通的事：为什么越诡异的 bug 越难，而且专坑高手？因为诡异的 bug，恰恰发生在你因果模型的盲区里。如果你的模型是对的、是全的，这个 bug 根本不会「诡异」——你一眼就想到了。它之所以让你百思不得其解，正是因为你的模型在那个地方错了或缺了一块。你想不到那个原因，是因为在你脑子那张图上，那条路根本不存在。

难的从来不是 bug 本身，是你和真相之间那块你没意识到的认知盲区。

破案的方法：假设，然后想办法证明它是错的

好侦探不猜凶手，他建假设、做验证。调试的核心动作，是一个不停转的闭环：

1. 观察现象——现在到底哪里不对，越具体越好。「慢」不算，「点提交后转圈 8 秒」才算。
2. 提假设——基于你的因果模型，猜一个原因：「大概是那个数据库查询没走索引」。
3. 设计实验——想一个办法，能把这个假设证伪。注意是证伪不是证实。
4. 看新证据，修正模型——实验结果不管支持还是推翻假设，你脑子那张图都更新了一点，然后回到第一步。

为什么强调「证伪」？因为人有个坏毛病：认定一个原因后，会专挑支持它的线索看，忽略打脸的。侦探最怕先入为主锁定一个嫌疑人，然后所有证据都往他身上凑。破案的纪律是反过来的——你要主动去找那个能洗清嫌疑的证据。一个假设扛过了你拼命想推翻它的所有实验，它才可信。

一个真实感的例子：那个「只在周一早上出错」的 bug

假设你在查一个报表功能。现象很具体：用户反馈，一份「上周销售汇总」的报表，数字每周一早上打开是错的，到了下午自己就对了。代码看起来平平无奇，谁写的都挑不出毛病。

菜鸟的反应是盯着报表那段代码一行行读，读一天也读不出花来——因为bug 不在那段代码里，它在你没看的地方。

侦探怎么查：

• 先逼问现象。「周一早上错、下午对」这条线索太值钱了。什么东西跟「周一」和「时间」挂钩？这一问，就把范围从「整段代码」缩到了「和时间、和一周边界有关的逻辑」。侦探破案靠的就是这种——一条反常的细节，能砍掉九成的嫌疑人。
• 提假设一：「上周」的算法在周一算错了边界。设计实验：把系统时间手动改成某个周一早上，跑一遍，看它到底圈定了哪几天的数据。结果发现——它算的「上周」少了周日一整天。假设活下来了。
• 继续追：为什么少了周日？读那段算日期的代码，发现它用了「今天减 7 天」再取整到周。这里藏着一个只在运行时才暴露的东西：服务器用的是 UTC 时区，而用户在东八区。周一早上 8 点，用户觉得是周一，服务器的 UTC 时钟还停在周日下午。于是「周几」算错了，「上周」的边界跟着错。到了下午，两边跨过了同一天，就又对上了。

你看这个 bug：它不在报表代码里，在一个没人会盯着看的时区假设里。它之所以诡异，正因为写代码的人脑子里那张图默认「服务器时间就是用户时间」——盲区就在这。而破案靠的不是读代码，是那条「周一早上」的线索，加上一个能在现场把时钟拨过去、亲眼看结果的实验。

为什么 AI 能当助手，当不了侦探

AI 在这场游戏里是个好帮手，别小看它：它能飞快读完几千行日志、能列出「报表算错通常有哪几类原因」、能给你解释一段你没见过的陌生代码、能提出常规怀疑对象——「查查时区吧」它没准也说得出。这些相当于一个博学的、不知疲倦的助手，帮你把常规活儿包了。

但它当不了那个拍板的侦探，就卡在三件事上：

• 它不在现场。侦探得去案发现场。可你这套系统此刻真实跑成什么样——那台服务器的时区、那条日志里真实的时间戳、那个只在生产环境才复现的状态——这些线索只存在于运行时的现场，AI 看不见。它只能听你转述，而你转述的，恰恰漏掉了你自己没意识到的盲区。
• 它没有「你这套系统」的模型，只有「一般系统」的平均印象。AI 读过海量代码，脑子里那张图是所有系统揉在一起的平均值。可你的 bug 偏偏藏在你这套系统独有的、和别处都不一样的那个古怪角落里。平均印象帮你排除常见嫌疑，但破不了这种孤例。
• 那个闭环需要一个能负责的人来转。提假设、动手做实验、看新证据、修正模型——这个圈得有人在现场亲手拨时钟、亲眼看结果、并且为「改下去会不会引出新问题」负责。AI 能给你出主意，但它不能替你按下按钮、承担后果。侦探可以问遍所有专家，最后签字抓人的必须是他自己。

落点：AI 帮你写得越多，会查的人越稀缺

这里有个容易被忽略的转折。AI 越能帮你写代码，你手上就有越多不是你亲手写、你并不真懂的代码在跑。写的时候一路顺畅，出问题的那天，你面对的是一片自己脑子里没有对应因果模型的陌生地带。

能自动补全的代码在贬值，这没错。但正因为代码是补全出来的、是你没在脑子里过一遍的，读懂它、给它建因果模型、在它出事时把真凶揪出来的能力，反而更值钱了。调试考的从来不是打字，是判断力和因果推理——面对一个诡异现象，能不能问出那条对的线索、设计出那个能证伪的实验、并且认得出自己模型的盲区在哪。

这正是这本书的主线：凡是能被自动补全的都在贬值，凡是需要判断、需要在现场推理、需要担责的都在升值。调试，是这句话最集中的一次体现。AI 可以是你身边那个博学的助手，但站在现场、盯着那具「尸体」把因果链倒推出来的侦探，还得是你。