本文探讨AI生成代码时代，系统架构需通过设计约束控制错误爆炸半径。核心是分层防御：类型系统、Schema契约、契约测试、策略引擎和运行时沙箱，将错误限制在可接受范围内。强调硬约束优于提示词，按副作用不可逆性分层设置约束强度，并指出不可逆路径省略硬闸门是已知反模式。

本文探讨了在深度神经网络中实施硬约束的方法，以提高预测质量。研究表明，硬约束在性能上优于软约束。提出的两阶段训练方法有效满足各种约束，提升模型性能并确保系统属性合规，适用于多种神经网络架构。

该文综述将领域知识作为约束融入深度神经网络的方法，归纳出特征空间操作、假设空间修改、数据扩增、正则化与受约束学习五类途径，并介绍小波滤波网络、随机增广拉格朗日正则化、可控性约束建模、约束传播训练、物理先验注入等具体工作，证明硬约束可提升预测精度与可解释性。