高内聚低耦合的架构原则对于AI来说make sense吗？

传统上高内聚低耦合说的是代码模块：一个模块内部职责集中，模块之间接口清晰、改动互不牵连。放到 AI 场景里，这个原则仍然成立，但耦合发生的位置变了。当 AI 通过调用工具、多步决策去介入业务流程时，真正决定它稳不稳的是它接进来的数据、工具和记忆怎么组织——分层管理、渐进式加载、持续提炼，让 AI 每次只拿到该拿的那部分，不多不少⁠1。这其实就是把“低耦合”翻译成了：不要让所有 context 一股脑塞进去，也不要让某个环节的改动牵连整个系统。

“高内聚”在 AI 里对应的不是把功能塞进一个模型，而是让同一件事的相关信息聚在一起、有明确归属。把 context 分成工作记忆、项目记忆、组织记忆三层，规定什么保留原始形态、什么提炼成精华、什么定期清理，本质就是在给 AI 划职责边界⁠1。反过来，如果 context 散落各处、没有组织方式，AI 效果差往往不是模型不行，而是输入本身是乱的⁠3。所以对 AI 来说，这条原则 make sense 的前提是：你确实在维护一份可被 AI 消费的 context，而不是每次临时拼 prompt。

这条原则容易被误用成“架构越复杂越专业”。AI 架构的关键不是更复杂，而是复杂得有理由：如果任务高度结构化、单次模型调用就能完成，就不一定需要 agentic workflow⁠4。同理，低耦合不等于把系统拆得越碎越好——拆到什么程度，取决于任务复杂度、延迟、成本和人类介入的需要⁠4。判断标准是：这次拆分是否让某部分改动时不必动其他部分，是否让 AI 更容易找到它需要的那份 context。如果拆分只是增加了协调成本，那它没有带来低耦合的好处。