软件可复现性的崩塌
软件工程作为成熟工程学科，根植于一条默认且不可动摇的底层承诺：同一套代码，在完全相同的输入与运行环境中，必然产出一致输出。这条基础前提过于普遍，日常开发中很少被单独讨论。但线上调试、自动化测试、故障复盘、合规审计的严谨性，全部建立在确定性之上。
大模型概率属性正在从底层瓦解这套确定性承诺，该现象并非系统设计缺陷，而是概率模型与生俱来的运行特征。
AI 体系的可复现性会在三层维度依次失效，各层级失效的诱因、影响范围存在明显区分。
第一层，采样层带来的不确定性。在完全固定约束条件下：相同提示词、同一模型版本、统一超参数、锁定随机种子，大模型输出具备完整确定性。但只要更换随机种子，生成内容就会产生偏差。这并非程序故障，而是模型内置采样机制，用以丰富输出多样性。真实线上业务极少手动固化、持久记录随机种子。用户每一次前端请求，系统都会自动分配全新种子，这就造成一组完全相同的提示词，在不同时间点可能得到截然不同的返回结果。采样层面的可复现性高度依赖全链路种子留存机制，而绝大多数传统工程体系并未配套该设计。
第二层，模型层持续动态迭代。开发者所调用的模型并非静态不变的固定版本。服务商常态化开展微调、对齐优化、安全约束迭代与能力升级，这类更新对终端用户透明，仅笼统标注模型优化。即便固定提示词、参数与随机种子，只要模型权重发生细微更新，同一输入对应的输出逻辑就可能出现偏移。模型隐性迭代会持续破坏线上业务输出的稳定性与一致性。
第三层，数据层引发的知识稀释。模型认知边界由训练数据集划定。随着训练数据轮换、历史样本淘汰、新增数据持续注入，模型对旧信息的权重分配会不断偏移。旧版本模型对早期业务场景适配度更高；后续迭代的模型虽理论留存历史信息，但新增样本会稀释旧知识的采样权重，使其对历史场景的识别、匹配、输出精度逐步下降。每一个模型版本都只是某一时刻的知识快照，不同快照之间底层认知基底存在差异，无法永久冻结、完整回滚。
传统软件工程的调试流程完全依托可复现性搭建：用户反馈故障后，工程师还原同等操作步骤、输入数据与运行环境，稳定复现问题，再依靠日志、断点、二分定位锁定代码缺陷，完成修复闭环。
AI 系统的调试逻辑与之完全割裂。例如用户提问"帮我筛选最便宜的机票"，模型返回不存在的航班编号；工程师复用完全一致的提示词重试，输出结果却恢复正常，故障彻底消失。问题根源在于本次异常是单次采样落在概率分布低密度区间导致的随机现象，无法稳定复现、主动复现。
这意味着 AI 系统不能沿用传统复现式调试思路，只能采用统计推断式复盘。工程师需要结合提示词措辞、上下文结构、模型输出分布、采样偏好，反向推导单次 Token 异常生成的诱因。该问题本质属于统计问题，并非传统代码逻辑缺陷，也是传统工程师普遍缺乏的分析经验。
审计对可追溯性的要求比调试更为严苛：调试仅需定位并修复问题，审计需要完整证明历史行为的合规性、正确性。传统确定性系统具备完整可信审计链路，代码执行路径、变量快照、数据库事务、操作日志均可追溯核验，每一次输出都存在确定的生成依据。
AI 系统的审计链路天然存在断层。贷款审批、保险理赔、资质核验等关键决策场景中，运维仅能记录模型调用记录与最终输出结论，无法留存当时生效的模型权重、本次采样种子、实时概率分布，更难以逆向验证：若随机参数发生微小变动，本次决策结果是否会完全反转。
针对金融、医疗、法律等高监管行业，该特性催生全新工程约束：AI 系统必须在设计阶段前置搭建完整可审计架构，而非事后依靠日志追溯。全链路持久留存提示词版本、上下文快照、模型版本、采样参数、随机种子、输出分布等信息，这并非额外开发负担，而是 AI 业务合规运行的基础底线。
可复现性不会从软件工程体系中消失，而是形成清晰分层边界。底层传统确定性模块，如排序算法、事务逻辑、数据库 ACID、密码学运算等，仍要求百分之百绝对可复现。这类环节不存在随机与模糊空间，是系统稳定运行的底层基石。
AI 上层意图服务层级，可复现性标准从"逐字完全一致"转变为近似可复现。行业不再强制同一提示词输出文本完全相同——采样随机性是模型固有功能，而非故障。全新工程判定标准为：允许句式、表述存在差异，但核心事实、关键数据、业务决策结论必须保持统一。摘要文案措辞可灵活变化，但核心数值不能出现偏差；智能打分允许小幅浮动，阈值附近的关键决策增加人工兜底机制，规避概率波动引发业务事故。
可复现性崩塌的核心内涵，并非彻底抛弃确定性，而是重新划定确定性边界：明确哪些层级必须保持绝对确定，哪些业务场景允许概率近似。未来系统架构设计，需要主动划分两类场景的隔离边界。
工程发展史，本质是持续消解不确定性、建立配套规范的过程。并发程序带来竞态问题，行业衍生锁、信号量、数据库事务；分布式架构产生网络分区风险，共识算法、最终一致性体系应运而生。
AI 带来了过往工程领域从未出现的概率化不可复现难题。解决该问题的核心并非优化提示词，而是一套完整适配概率模型的全新工程范式：全链路种子记录、模型版本锁定、输出分布监控、分层确定性架构、前置审计设计、核心业务逻辑去概率化。
这套标准化工程规范目前尚未统一，但行业实践正在快速完善。数年之后，模型版本会像代码版本一样完整归档，随机种子会与请求 ID 同步全链路追踪。一套适配概率、非确定、近似复现特征的 AI 原生软件工程体系，将会完全成熟落地。