这种结合的具体意义

随着 AI 工具能力的不断提升，纯粹编写代码的相对投入正在下降。瓶颈也因此发生了转移。

核心问题越来越不再是：我们如何生成这段代码？

而是：

究竟应该开发什么、以何种形式、按怎样的顺序？

应当首先降低哪种不确定性？哪项功能是必不可少的？哪种架构适合当前的开发阶段？在哪里，技术上的完美会成为一笔不必要的超前投入？哪些依赖关系是可以接受的？开发进行到什么程度，才能提供足够的认知？什么时候应当把一次尝试变成长期的产品？什么时候应当终止开发，或者调整方向？

这些决策并不会由 AI 系统自动产生。

AI 可以加快实现速度、生成方案变体、辅助技术调研，并显著缩短从构想到可运行开发成果之间的距离。然而，选择、架构、评估与集成的责任依然存在。

当生产变得更快、更经济时，良好决策的相对价值就会上升。

这一方法的实验性质，并不意味着只会产出小型或临时性的软件。

实验性在于认知过程的开放性。

即便是一款技术要求很高的桌面应用，也可以用实验的方式开发，只要它的首要目的是真实地检验一个产品构想，并在开发过程中进一步明确其方向。

早期开发成果可能已经由多个相互关联的要素构成：真实的用户界面、业务逻辑、数据管理、可视化、持久化、导入与导出功能、与外部系统的通信，或一个稳固的技术核心。

因此，这项工作远远超出了可点击的视觉原型。

目标是在尽可能短的开发时间内，获得尽可能多经得起检验的产品现实。

并非每个产品构想都应该继续开发。

早期开发成果可能表明：某个构想在技术上站不住脚，其复杂性被低估了，或者预期收益不足以证明投入的合理性。

同样也可能发现：最初计划的解决方案过于复杂，技术路径可以简化，或者构想的另一部分蕴含着大得多的潜力。

这些结果并不是开发的失败。它们本身就是开发经济价值的一部分。

尽早做出有充分依据的否定决定，可能远比在大量投资之后再进行纠正更加明智。

因此，早期开发的价值不仅在于创造新产品，也在于围绕这些产品所做决策的质量。