既然 AI 能写出 100% 准确的代码，我就把“程序员”这层皮彻底剥了。今天凌晨三点，我盯着屏幕上那堆乱码，胃里一阵翻腾。不是困，是后怕。我亲手用 GPT-4 生成的“完美”爬虫脚本，跑了整整一夜，把客户要的十万条商品数据全毁了。不是没抓到，是抓错了，数据结构全乱了套，字段错位，价格跑到了描述栏里，SKU 和图片链接搅在一起。修复成本比重新抓一遍还高。客户明天下午就要数据，我现在连骂娘的力气都没了。
这脚本逻辑看起来无懈可击。我给的 Prompt 极其详细：目标网站、要抓的 CSS 选择器、JSON 输出格式、甚至考虑了分页和简单的反爬策略。GPT-4 吐出来的代码漂亮极了，Python 的 `requests-html` 库，异步处理，异常捕获一应俱全。我跑了个测试页，完美。于是我就放心地去睡了，让服务器自己跑。我太信任那个“100%准确”的幻觉了。问题出在哪？出在目标网站那个该死的商品列表页，它用了动态加载，但又不是纯粹的 SPA。滚动到一半，DOM 结构会变，一部分商品信息被包裹进了一个新的 `div` 里，CSS 类名没变，但父节点变了。我给的初始选择器路径，在页面后半部分全部失效。GPT-4 写的代码忠实地按照我的指令，用固定的选择器去提取，前半部分数据正常，后半部分就开始乱抓临近元素的文本，它自己毫无察觉，因为没有任何报错——它确实“成功”抓到了文本，只是那些文本毫无意义。
这就是 AI 代码的恐怖之处：它能完美执行错误指令。它没有“理解”上下文，没有“意识”到数据结构的连贯性遭到了破坏。它只是一个极度高效、也极度盲目的执行者。
我瘫在椅子上，不是累，是那种熟悉的、冰冷的技能恐慌又漫上来了。2023年了，我，一个曾经靠写爬虫吃饭的人，竟然被一个最基础的动态加载问题给埋了。我以为有了 GPT，我就不需要再去抠那些 DOM 树的细节，不需要再手动处理那些令人作呕的页面变异。我错了。AI 不是替代了我的技能，它只是把我技能里最需要“人肉判断”和“领域经验”的那部分，隐藏得更深了。它把编程从“写语法”变成了“下指令”，但下指令的精度要求，比写语法高出一个数量级。
不能再这样了。我得建立一套机制，让 AI 生成的代码，也必须被“监督”和“纠错”。我管这叫“自动化验尸官”流程。首先，任何数据抓取任务，必须配备一个实时验证层。我不再只检查 HTTP 状态码，我要检查数据本身的“健康度”。我写了个简单的校验函数，让 AI 帮我优化：比如，价格字段必须是数字或特定格式的字符串；描述字段不能少于10个字符；图片链接必须以 http/https 开头且包含常见图片后缀。这个校验函数会作为钩子，嵌入到主抓取循环里，每抓取一条，就立刻验证一条。
其次，引入“采样对比”机制。脚本正式全量运行前，先抓取第1页、中间随机一页、最后一页，各抓5条数据。然后，我手动（或者用另一个简单的、确定可靠的脚本）去同样的位置抓取同样的5条，进行逐字段比对。如果发现任何不一致，立刻中断，分析 DOM 结构差异，修正选择器逻辑。这个步骤不能省，哪怕多花半小时。
最后，是输出阶段的“结构自检”。最终生成的 JSON 文件，在关闭之前，用另一个独立的 AI 智能体（我调用 Claude 的 API）快速扫描一遍，给它几条样本数据和最终文件，让它判断“数据格式是否一致，是否存在明显的字段错乱或异常值”。让两个 AI 互相检查。
搞完这套东西，天都快亮了。我重新生成了脚本，加上了这些纠错层，跑起来。速度慢了三成，因为它每一步都在自检。但这一次，数据是干净的。看着那条条通过校验的记录，我反而松了口气。慢就是快，稳就是赢。AI 时代，程序员这层皮不是剥掉，是换了。以前我们拼的是谁能写出更精巧的代码绕过障碍；现在拼的是谁能设计出更鲁棒、更容错、能自我验证的自动化流程。代码可以 AI 写，但系统性的防御思维，那个“总觉得哪里会出事”的 paranoid，还得长在自己脑子里。
