Feature-per-File: Refactoring Code Organization for AI Programming—A Data-Engineering Perspective

AI 编程(大模型生成与修改代码)正在成为主流生产方式,但其失控症状也日益显现:模型倾向于只增不删的增量式修改,代码熵持续累积;跨文件、跨层次的改动难以审阅;故障发生时问题定位模糊;迭代半径不可预估。本文从数据工程的视角出发,提出一种面向 AI编程的代码组织重构——以功能为文件(Feature-per-File,F2F):放弃按技术职责横向分层(Controller→Service→Mapper)的组织方式,以功能为最小自治单元,一个文件贯通从入口、业务处理到数据访问的完整链路;文件之间零耦合;维护采用替换式——为功能重新生成一份完整文件进行整体替换,并辅以历史版、运行版、开发版的三版本并存模型。本文为该方案给出三重根源论证:其一,训练数据污染与分布继承,AI 从人类代码中习得的分层与复用习惯是人类时代的效率产物而非 AI 时代的最优解;其二,复用经济学的反转,当代码生成成本趋近于零,复用的收益消失而耦合的成本凸显,冗余取代复用成为效率来源;其三,分层架构对修改半径的结构性放大,功能逻辑被横向打散到多个文件,迫使 AI 的每次修改都成为跨文件的一致性维护作业。本文进一步给出 F2F 的形式化刻画与理论性质(影响有界性、替换友好性、审阅与定位友好性),分析其代价与适用边界,并以 Java MVC 三层为靶例、以 Django MTV 等其他横向切分范式为佐证,说明问题的普适性与方案的适用范围。本文为 AI 编程时代提供了一种以数据流完整性为单位的代码组织范式。