同变的归一，异变的拆开。

设计模式和设计原则不用背

学设计模式的时候背了 23 个，用的时候还是 if-else 一把梭。SOLID 原则背得滚瓜烂熟，该耦合的照样耦合。

因为你不需要背。 23 个设计模式和 SOLID 5 条原则，全部能从两个更底层的东西推导出来：

• 实体（节点）：持有状态
• 关系（边）：连接实体

系统里只有这两种东西。设计的核心决策只有一个：一段逻辑该住在实体内部，还是该住到外面去？ 判据是变化速率是否对齐——节奏一样的收进实体，不一样的拆出去。

设计模式：关系外化的标准拓扑

大部分设计模式是关系外化的标准拓扑。当你把一条隐式的关系变成显式的、可独立变化的实体时，就自然推导出了某个设计模式：

关系的什么在变	拓扑形状	自然推导出
谁来做	星形（中心委派给可替换的叶节点）	Strategy / State
谁被通知	辐射（中心扇出到订阅者）	Observer / Mediator
怎么连	插入中间节点做翻译或简化	Adapter / Bridge / Decorator
按什么顺序	链式传递处理	Chain of Responsibility

你不需要"选"一个设计模式。你只需要识别出关系的什么在变，拓扑形状自然浮现。不熟悉设计模式也没关系——从最轻量的手段开始选就行。

但不要用大炮打蚊子。 能用配置文件解决的，不写 Strategy。能加一层函数解决的，不建类层次。

SOLID：从两个基元推导

SOLID 的 5 条原则中，4 条直接从变化速率对齐推出，LSP 需要回到两个基元的拓扑层面：

• SRP：类内行为速率对齐 → 速率一致的放一起，自然只有一个变化原因
• OCP：外化不同速率的关系 → 外化点就是扩展点，对扩展开放对修改关闭
• ISP：不同客户端方法速率不对齐 → 接口内部行为速率不一致就该拆开
• DIP：外化时插入抽象层 → 让低频业务和高频实现都依赖抽象，而非互相依赖

前四条都从变化速率推出。LSP 不同——它根本不是一个速率问题，而是两个基元拓扑层面的约束：

• LSP：继承在图拓扑上是子类对父类的"特化复制"——子类复制了父类所有的边（关系）契约。如果子类篡改了这些边的行为，导致契约断裂，拓扑就崩了。LSP 的本质是边契约不可退化。经典反例 Square/Rectangle：两者变化速率几乎相同（低频），但 Rectangle 有独立的 setWidth/setHeight 而 Square 没有——边的契约不一致，继承不成立。这说明 LSP 不是速率判据，而是拓扑判据。

由此也能重新审视"组合优于继承"：继承假设节点契约完全等价且生命周期绑定，一旦假设不成立，就该用边（关系）连接而非节点嵌套。但速率对齐且边契约一致时继承更简洁，不对齐时才该用组合——盲目用组合也是过度设计。

一句话

设计模式和设计原则不是需要记忆的规则清单，而是从两个基元可以推导出的定理集。 理解了基元，规则自然浮现。

---

什么是"变维"

先解释名字。"维"指的是业务中具体的变化维度——支付方式会变、定价规则会变、运费策略会变、风控阈值会变。每个"维"就是系统里一个独立的变化方向。

"变维拆分"做的事情分两步：第一步，变维识别——找出系统里有哪些变化维度，各自的变化节奏是什么。第二步，变维拆分——节奏不一致的维度，沿边界拆开。

比如一个电商系统，变维识别发现：支付方式每月在变（高频），订单结构半年不动（低频）。这是两个节奏完全不同的维度。变维拆分的判断是：把它们耦合在同一个类里，每次支付渠道调整都要动订单代码——沿边界拆开，各自独立变化。

这不是什么高深理论，就是一句大白话：同变的归一，异变的拆开。

---

一、两个基元

不管你用什么语言、什么框架、什么架构，软件系统归根结底只有两种东西：

• 实体（节点）：持有状态。可以有简单的自述行为，也可以完全没有行为。
• 关系（边）：连接实体。系统的复杂行为，本质上都是关系在运转。

设计的核心决策只有一个：行为的住所——一段逻辑该住在实体内部，还是该住到外面去？

判据是变化速率是否对齐：

• 这段逻辑的变化节奏和实体本身一样吗？→ 内化（收进实体）
• 不一样，甚至经常冲突？→ 外化（拆出去，变成独立实体或外部配置）

举例：

• totalPrice = sum(items.price) — 简单求和，和订单同生共死 → 内化进 Order
• 运费计算规则每月调，订单结构半年不动 → 变化节奏不对齐 → 必须外化

就这些。没有第三个基元，没有隐藏维度。两个基元，一个判据，所有设计决策从这出发。

关于"变化速率"的度量——不需要精确到"每月几次"。高/中/低三档在实践中够用：折扣规则天天调（高）、基础定价偶尔改（中）、金额格式化几乎不动（低），三个速率明显不同，边界自然浮现。看准大趋势比纠结精确频率重要得多。

---

二、三个深度——变维拆分 SKILL

上面的理解被提炼成了一个可给 AI Agent 使用的 SKILL。不是每次都要做完整分析，按场景选深度：

快扫（30 秒）：写任何代码之前。问自己：“这里什么会变？” 有答案 → 留口子。没答案 → 直接写。覆盖 80% 的场景。

标准分析（2 分钟）：新功能、新模块。找到实体和关系，标注变化热点，在不齐处做隔离。

完整分析（10-15 分钟）：新项目启动、重大重构。列出所有实体和关系，标注变化速率和趋势，按一致性分组，每个拆分点从最轻量的手段开始选。

档位之间可以升级。先快扫开始写，发现问题了做标准分析，不够用再上完整分析。

这个 SKILL 写入了 System Prompt，让 AI 在写代码前先做变维分析。下面用实验证明它是否真的有用。

---

三、实验过程：怎么验证的

光说理论不够。用 Shopizer（310+ Java 文件，1649 行核心类）做对照实验。先看结论：

变维拆分 + Superpowers 组合，用最少代码做到了最彻底的重构：

指标	无方法论	变维拆分	Superpowers	变维+Super
累计新增文件	4	15	15	8
累计净增行数	+391	+987	+1071	+654
累计测试数	~15	~18	~150	~98
PPU 拆分彻底度	-79.5%	-82.2%	-82.2%	-83.6%
累计工具调用（代价代理）	~320	~500	~490	~700

效率-质量象限：变维+Super 位于最佳平衡点。 Superpowers 提供流程纪律（TDD、Review），变维拆分提供结构判断（拆什么、不拆什么）。两者叠加后比纯 Superpowers 少写 40% 代码、少加一半文件，测试覆盖达到其 65%。比无方法论组多 6 倍测试，拆分更彻底。

最有说服力的一轮：R05 运费规则——变维分析判断出已有架构足够，不需要拆。结果只加了 3 个文件（含测试）。而 Superpowers 自建了一套并行接口（6个文件），变维拆分单独用反而过度设计（5个文件）。

变维分析的核心价值不只是"告诉你怎么拆"，也包括"告诉你不需要拆"。

下面是实验细节。

实验设计

四个环境，同一个 AI 模型（GLM-5.1），同样的五轮递进需求。

实验执行方式： 每轮通过 Claude Code 并行启动四个独立子 agent，每个子 agent 只能看到自己环境的 CLAUDE.md（方法论指导）和当前轮的需求文件。子 agent 独立完成分析、编码、编译验证，中间没有任何人工干预。五轮串行推进（每轮内四个子 agent 并行）。

变量控制： 四个环境的执行步骤、编译命令、指标采集脚本、约束条件（不修改 sm-core）完全一致。唯一差异是 CLAUDE.md 中的方法论指导内容。需要说明的是，dims 的 CLAUDE.md 比 dims_superpowers 多了两条设计模式拓扑行和一条禁忌（“不要用大炮打蚊子”），这是编写时的疏忽而非有意设计，但 dims_superpowers 在 R05 仍然走了最简路径，说明这个差异对结论影响有限。后续实验会统一所有环境的非方法论内容，避免此类低级失误。

关于变化速率的判断方式： 本实验中，变化速率的标注完全由 AI 自问自答完成，没有任何人为判断参与。这意味着趋势标注（增长/稳定/震荡）可能存在偏差——AI 对业务背景的理解不如真正的开发者深入。理想情况下，变化趋势应由人做价值判断，或从 git 历史中提取客观数据。这是本实验的一个已知局限。

关于 token 消耗： 本实验未采集精确的 token 消耗数据（子 agent 报告的 token 数大多为 0，不可靠）。工具调用次数作为代价代理，间接反映了各环境的计算资源消耗。后续实验会加入精确的 token 计量。

环境	方法论
Base	无方法论指导
Dims	变维拆分
Superpowers	Superpowers 开发流程（Brainstorming→TDD→Review）
Dims+Super	变维拆分 + Superpowers

Superpowers 代表的是业界共识的软工流程——先想清楚再动手、先写测试再写代码、做完要 Review。这些是对的。但它只管"怎么工作"，不管"拆什么"。变维拆分补的正是这一块：结构判断。

五轮需求从支付类型拆解到运费规则，逐步递进复杂度。

简单需求：方法论差异不大

R01 支付分发——所有方法论组都选了 Strategy 模式，base 也能完成任务：

指标	Base	Dims	Super	Dims+Super
耗时	~8 min	~12 min	~14 min	~12 min
if-else 消除	3→2	全部→0	全部→0	全部→0
测试	11	14	22	19

R02 微信支付——验证 R01 的外化决策：新增支付方式是否只需加一个实现类？结果是 Dims 和 Dims+Super 的 OrderFacadeImpl 零修改，直接加新的 PaymentProcessor 实现即可。R01 的 Strategy 外化决策经得起后续需求的考验。

复杂需求：方法论拉开差距

R03 定价拆分——ProductPriceUtils（721行）的拆解：

指标	Base	Dims	Super	Dims+Super
耗时	~5 min	~10 min	~30 min	~12 min
PPU 缩减	-79.5%	-82.2%	-82.2%	-83.6%
测试	0	0	68	42

Dims+Super 在质量和效率间找到了最佳平衡——拆分最彻底，测试充足，耗时远低于 Superpowers 单独使用。

R04 风控检查——在购物车转订单流程中插入风控步骤，考察流程变更的影响范围：

指标	Base	Dims	Super	Dims+Super
耗时	~40 min	~20 min	~23 min	~56 min
新增文件	2	3	4	3
测试	0	0	22	12
覆盖下单路径	只 API	两条	两条	两条

Base 在这一轮崩了——215 次工具调用，耗时是 Dims 的两倍。没有方法论指导的直觉方案在复杂需求下效率骤降。Dims+Super 虽然耗时最长，但产出了增量变维分析更新、修了预存在问题、测试覆盖了两条下单路径。

耗时趋势——复杂度越高差距越大：

base 在 R04（风控检查）突然飙到 40 分钟（复杂需求走弯路），而方法论组的耗时增长相对平缓。

累计新增文件——Dims+Super 用最少文件做到最彻底拆分：

Dims+Super 五轮只新增 8 个文件，Dims 和 Superpowers 各新增 15 个。

累计净增代码行数：

Dims+Super 净增 654 行，不到 Superpowers（1071 行）的 2/3。

最有说服力的一轮：R05 运费规则

Shopizer 已有 ShippingQuoteModule 接口。需求要求新增运费计算规则。

环境	方案	新文件	怎么判断的
Base	直接用现有接口	2	直觉
Dims	新建策略层 + 适配器桥接	5	分析了，但过度外化
Superpowers	自建一套并行接口	6	没分析，从头设计
Dims+Super	直接用现有接口	3	变维分析判断"已有外化足够"

Dims+Super 的变维分析识别出：运费规则的变化速率已经被现有 ShippingQuoteModule 接口正确外化，不需要新的外化点。

---

四、变维分析表：跨轮次累积的决策资产

变维拆分有一个独特的产出：变维分析表。每轮分析不是从零开始，而是在已有表格上增量更新。五轮下来，这张表是这样的：

实体识别

实体	持有的状态	变化速率
Order	订单信息（金额、商品、客户）	低（核心业务对象）
Payment	支付数据（类型、金额、元数据）	中（随支付方式扩展）
PaymentType	支付类型枚举（9种）	高（新增支付方式必须扩展）
ProductPrice	商品价格（原价、特价、起止日期）	低（核心数据模型）
FinalPrice	定价结果（最终价、折扣价、百分比）	低（核心数据模型）
RiskRule	风控规则（金额阈值、时间窗口）	高（业务频繁调整）
ShippingOption	运费选项（价格、模块代码）	低（值对象）

关系与变化速率

关系	连接方式	速率	趋势	策略	轮次
Order→Payment创建	按PaymentType分发	高	增长	外化（Strategy）	R01
Order→Payment验证	按PaymentType验证	高	增长	外化（Strategy）	R01
Product→定价计算	按variant/attribute计算	中	稳定	拆分	R03
ProductPrice→折扣判断	按日期窗口判断	高	增长	拆分	R03
BigDecimal→金额显示	格式化	低	稳定	拆分	R03
Order→风控检查	价格计算后、创建订单前	高	增长	外化（接口+配置）	R04
商家→运费规则选择	按配置查找ShippingQuoteModule	高	增长	已有接口	R05

外化决策记录

外化点	手段	创建轮次	修改记录
支付创建分发	Strategy（PaymentProcessor + Registry）	R01	R02 验证：新增微信支付无需修改
支付验证分发	Strategy（PaymentProcessor.validate）	R01	R02 验证：微信支付无特殊验证
定价计算	拆分为 ProductPricer	R03	—
折扣判断	拆分为 DiscountEvaluator	R03	—
金额格式化	拆分为 PriceFormatter	R03	—
风控检查	RiskCheckService + 配置化	R04	—
运费计算规则	已有 ShippingQuoteModule 接口（无需新增外化）	R05	—

这张表的价值在哪？

1. R01 的决策在 R02 被验证：新增微信支付时，变维分析表里 R01 的外化决策"新增支付方式无需修改主流程"得到了验证——OrderFacadeImpl 零修改。
2. R03 拆分出三个维度（折扣高/定价中/格式化低），按变化速率不一致的边界拆开，ProductPriceUtils 从 721 行降到 118 行。
3. R05 判断"不需要拆"：变维分析表里已有"商家→运费规则"这条关系，发现 sm-core 的 ShippingQuoteModule 接口已经正确外化，不需要新的外化点。这是整张表最有价值的一行。

---

五、和现有理论的关系

“这不就是高内聚低耦合吗？”

一定有人会这么说。对，变维拆分的方向和"高内聚低耦合"一致。但一句"高内聚低耦合"能不能指导 AI 写出符合工程要求的代码？

不能。编程模型在训练时已经被反复灌输这个概念了，生成的代码依然有问题。因为"高内聚低耦合"只给了方向，没给判据——到底要内聚什么？解耦什么？做到什么程度？什么时候该停？这些判断它回答不了。

变维拆分的贡献不在于方向新，而在于把模糊的方向变成了可操作的判据：内聚什么？变化速率对齐的东西。解耦什么？变化速率不对齐的东西。做到什么程度？看趋势，看已有架构是否已覆盖。什么时候停？能不拆就不拆。

当然，这个判据目前主要靠人（或 AI）的主观判断。最理想的方式是从代码仓库的 git 历史中提取客观数据——哪些文件经常一起变（对齐），哪些独立变（不对齐）。这也是后续计划中最优先推进的方向。

和其他理论的关系

变维拆分不取代任何已有方法。它是所有方法的上游分析步骤：

变维拆分（分析实体、关系、变化速率）
  ↓
决定行为的住所（内化 or 外化）
  ↓
选择外化手段：
  ├── 最轻量：配置、回调、数据驱动
  ├── GoF 设计模式：Strategy、Facade、Composite...
  ├── DDD 战术：聚合、值对象、领域事件
  └── 其他任何合适的手段

先分析，再选工具。不预设路线。

和 SOLID 的关系

前面已经展示了 SOLID 全部可以从两个基元推导。这里补充一点：变维拆分不取代 SOLID，而是比 SOLID 多了一个可操作的时间维度。SRP 说"一个类只变一个原因"，但没有告诉你怎么判断"原因"的边界。变维拆分用速率对齐做判据，给出了可操作的答案。贡献不算颠覆性，但足以作为独立的方法论增量。

---

六、给 AI Agent 的指令

如果你用 AI 写代码（Claude、Cursor、Copilot 等），直接把上面的三个深度档位写进 System Prompt。关键原则：

• 大多数时候快扫就够了，不要每次都做完整分析
• 禁忌：能用配置文件解决的，不写 Strategy；能加一层函数解决的，不建类层次
• 禁忌：不要默认使用任何架构框架，不要为假设的未来做设计

---

局限与边界（诚实的自我审视）

1. 速度判据的主观性

变维拆分用高/中/低三档标注变化速率。在实践中，R03 定价拆分时三档（折扣高/定价中/格式化低）确实帮助区分了边界。但临界情况有挑战：

• 两个维度变化频率相同，但影响范围不同（一个改字段，一个重构整个类）→ 本框架只看速率不看幅度，优先级相同
• 一个维度过去一年没变，但下季度要大改 → 看历史还是看预期？本框架建议看趋势（增长/稳定/震荡），但趋势判断本身有主观性

2. R05 Dims 组翻车了——分析框架的内置约束不够

这是整篇文章最需要诚实面对的一个数据点：R05 中，变维拆分单独使用时过度设计了（5 个文件），而叠加 Superpowers 后反而走了最简路径（3 个文件）。

为什么？拿到"做设计"的指令时，人——包括 AI——天然有倾向去建新类、新接口，觉得这才叫"做了设计"。Dims 组的"寻找变化"雷达过度敏锐，把不该拆的也拆了。

框架的禁忌清单（YAGNI、不要用大炮打蚊子）本应是刹车，但在没有外部 Review 校准的情况下，这些软约束容易被执行者绕过。Superpowers 的 TDD + Review 在这里起到了硬约束的作用——TDD 让你只写满足当前测试的代码，Review 压制过度设计的冲动。

结论：变维拆分给出了正确的分析方向（R01-R04 都验证了），但框架自身的"不拆"约束是软的，需要外部流程提供硬约束。这不是框架的致命缺陷，而是它的适用边界。

3. 简单需求不需要方法论

如果改动不到 3 个文件，直觉够用。方法论在 R01、R05 这类简单需求下的额外开销不划算。

4. 性价比问题——700 次工具调用值不值？

Dims+Super 的累计工具调用约 700 次，是 base（320 次）的 2.2 倍。多花的 380 次调用换来了：多 6.5 倍测试、PPU 拆分多 4.1 个百分点、累计文件少一半。

值不值？取决于场景。生产系统（长期维护、团队协作）值得——测试和精简代码带来的长期收益远超单次开发成本。原型期或一次性脚本不值得，base 的直觉方案就够了。

这也是为什么文章标题说"Vibe Coding + Superpowers 完全不够"——不是说它们没用，而是说在需要高质量交付的场景下，流程纪律和结构判断缺一不可。

---

总结

变维拆分不是凭空发明的理论。它的思想源头很清楚：单一职责说了"一个类只变一个原因"，开闭原则说了"对扩展开放、对修改关闭"，领域建模说了"识别实体和关系"。变维拆分做的，是把这些老道理揉成一个可操作的判据——变化速率是否对齐——然后结构化为 SKILL，适配 AI 编程场景，用对照实验验证它是否真的有用。

答案是：有用，但有边界。实验数据支持它在复杂需求下的价值。

但它也有清晰的边界：速度判据有主观性，独立使用时会翻车，需要 Review 流程校准，不取代 SOLID 而是补充它。

一个方法论的价值不在于它无所不能，而在于你清楚知道它不能做什么。

---

后续计划

本文展示的是第一轮实验结果（GLM-5.1，单一项目）。以下是正在推进的改进方向：

1. 多模型交叉验证

不同模型能力对方法论执行效果的影响是关键变量。计划测试：

• 强模型（Claude Sonnet/Opus）：验证方法论在强推理能力下的天花板
• 弱模型（Qwen2.5-Coder-14B，本地 RTX 4080）：验证方法论能否弥补模型能力的不足
• 对比假设：模型越弱，方法论的增量价值越大

2. 扩大实验样本

单一项目（Shopizer）不足以覆盖所有场景。计划增加更多中型开源项目，考察不同业务领域（电商、CMS、ERP 等）下方法论的表现差异。

3. Git 历史驱动的变化速率判定

这是最有价值的改进方向。当前"变化速率"靠主观标注（高/中/低），存在 R05 Dims 翻车那种判据偏移问题。

计划开发分析工具，从 git 历史中客观提取：

• 文件级变化频率：git log --follow 统计每个文件的变更间隔分布
• 模块级聚合：按包/目录聚合，计算模块的平均变更间隔
• 关联分析：git log --stat 识别哪些文件总是一起变（速率对齐），哪些独立变（速率不对齐）

产出直接喂给变维分析表的"变化速率"列，从主观标注变成数据驱动。这个工具将写入变维拆分的 SKILL 体系。

4. 方法论 Skill 化与能力边界探索

变维拆分不是一篇论文写完就结束的东西。当前已经将它结构化为可给 AI Agent 使用的 SKILL（三个深度档位：快扫/标准/完整），但 Skill 的能力边界还没摸清：

• 方法论对模型能力的依赖：同一个 Skill，给强模型（Claude Sonnet）和弱模型（Qwen2.5-Coder-14B）效果差多少？假设是模型越弱方法论价值越大，但需要实验验证
• 主观偏差的修正：R05 Dims 翻车说明 AI 自问自答的变化速率判断会有偏移，git 历史数据是纠偏手段之一，但不是唯一手段
• 跨领域泛化：Shopizer 是电商领域，换到 CMS、ERP、论坛等不同业务领域，三个深度档位的适用性是否变化
• Skill 迭代循环：实验→发现问题→修正 Skill→再实验。这不是一次性工程，而是持续打磨的过程

后续会持续迭代 SKILL 定义并公开测试结果。