今天看一份由 AI 参与生成的技术方案，其中有一处评论让我印象很深。文档写了一条实现约束，被追问「这是什么意思」以后，得到的解释是：这是为了提醒 AI 不要误用某个旧的灰度开关，人不需要关注。
一句只需要出现在提示词里的话，被原样带进了写给人看的设计文档。它并不一定是错的，却没有服务这份文档的读者，也没有帮助任何人做出决策。它只是因为 AI 见到了这条信息，就顺手把它组织成了看起来合理的文字。
类似的问题还出现在方案对异常分支的设计里。文档花了不少篇幅处理「没有 leave_type_id 时怎么办」，但追问以后才确认：在当前真实入口中，这个场景并不存在。为了显得完整，AI 很容易为一个想象出来的边界补齐分支、验收标准和测试用例；如果人没有先判断问题是否成立，一份结构严谨的方案反而会掩盖它讨论的是一个假问题。
文档还在本期明确不处理 PC 的前提下，继续展开了未来 PC 端的数据初始化、运行时降级、交互状态和测试设计。这些内容看起来像是在为扩展性负责，但「预留扩展」与「提前设计」并不是一回事。未来真正到来时，业务条件、接口和约束都可能已经变化；今天写下的大量细节，只会变成下一位读者需要辨别和维护的历史包袱。
所以，我现在理解的「垃圾」并不只是错误、粗糙或胡说八道。更常见的垃圾，是那些每句话单独看都通顺，合在一起却没有增加决策价值的内容：没有减少不确定性，没有回答真实问题，也不应该进入未来的维护范围。
AI 降低的是生成成本，却没有同步降低理解、评审和维护的成本。生成越便宜，人越容易放弃克制，把一个未经追问的想法交给 AI，再把它扩写后的完整感误认为思考本身。结果是，一个人几分钟制造出来的内容，需要许多人花几个小时阅读、质疑和清理。
AI 不知道什么值得写，也不会为写下的东西承担后果。判断问题是否真实、范围应该停在哪里、哪些信息是事实来源、哪些内容应该删除，始终是人的责任。AI 不是垃圾制造者，人才是。更准确地说，是人放弃判断以后，借 AI 的效率放大了自己的含混、懒惰和虚荣。
在 AI 时代，真正稀缺的能力可能不再是写出更多，而是追问得更深、约束得更清楚，并且有勇气删掉那些本来就不应该存在的东西。