编程的核心已从编写代码转向理解系统，代码库的阅读频率远超扩展。一项2025年的综述研究指出，生成代码中的错误多源于逻辑-语义假设错误，而非语法问题。AI模型能识别模式，但无法推导原因，当潜在意义不可见时，它们会产生幻觉，这反映了代码中决策“为什么”通常缺失的结构性缺陷。

软件发展史是减少心智负担的尝试，从汇编语言到高级语言和框架，焦点从“如何”转向“什么”。但抽象节省打字工作，却增加了解释负担。例如，函数calculateTotal()隐藏了实现和意义，迫使读者重建不可见部分。随着软件开发成熟，关键瓶颈从技术实现转移到语义理解，代码可理解性成为核心挑战。

领域驱动设计（DDD）等架构原则强调使代码可理解，但假设业务理解已存在，代码中决策可见性有限。心智负担在代码不表达意义时产生，研究显示代码理解伴随可测量认知负担，完整拼写标识符比缩写理解快约19%。常见情况包括未标记的意义转换、隐含规则和缺乏语义导向结构，这些导致代码承载句法而非语义意义。

AI作为镜子，反映了代码可理解性问题。2023年研究显示，大型语言模型（LLMs）错误多为假设和逻辑方向错误，而非语法问题，提示上下文缺失决策线索。当可读性降低，如混淆代码，AI和人类性能都下降，两者依赖明确提示来揭示意义。这凸显了提升代码可理解性对减少逻辑-语义错误的重要性。