过去两年,大家对“AI 写代码“的讨论经常停留在两个层面:要么是模型能力的跃迁(更强的推理、更好的代码),要么是提示词技巧(Prompt Engineering)。
但当你真的想把 AI 放进一个持续演进的代码库,让它能在几个月、几年尺度上持续贡献、持续修复、持续维护时,真正决定成败的往往不是模型,而是模型周围那套工程系统。
本文从三个具体角度聊聊 AI 时代软件工程的变与不变,以及工程师如何建立与之匹配的判断力。
1. 编码门槛在降低,决策门槛在上升
以前写一个分布式系统,需要三年才能上手;现在有 AI 辅助,初级工程师也能写出来。
但“什么时候该用分布式““什么时候该拆分”“什么时候该容忍不一致”,这些不是代码能力,是工程经验。AI 能帮你写代码,但帮不了你判断该不该写这段代码。
更关键的是:AI 让更多人能碰到更复杂的系统——决策错误的代价变大了。以前你的烂系统撑死影响几千用户,现在可以一键触达百万。
一个具体的感受是:代码审查的价值在上升,而不是下降。AI 生成代码的速度远快于人类读代码审查的速度——如果没有人严格把关,烂代码的上线速度会比以前快十倍。
2. 反馈环是 AI 时代最稀缺的工程能力
软件开发中最有价值的 discipline 不是写代码,是建立反馈环。
没有一条能 red 的命令,什么调试技术都救不了你。这是调试问题的核心——但它同样是 AI 编程的核心。
直接对话大模型,大模型的默认行为:读代码 → 猜原因 → 改 → 看结果运气好对,运气差把本来没问题的代码改坏了。这套循环在没有真实反馈信号的情况下,准确率很低。
有反馈环的人和没有反馈环的人,在 AI 辅助下的表现差距会越拉越大前者知道什么时候该信 AI 的输出,什么时候该质疑,因为他们有独立的验证手段。后者只能跟着 AI 的节奏走:AI 对了他对,AI 错了他不知道。
培养反馈环意识最简单的方式:每次遇到 bug,先写一条能复现的命令,再去读代码——不要先读代码再猜原因。
3. 架构设计重新值钱
“这个模块该暴露什么接口”“两块代码之间的依赖怎么组织”“哪些变化应该放在一起”——这些问题 AI 目前没有稳定的好答案。
代码生成是执行,架构是决策。执行变快后,决策的相对成本在上升。
Kent Beck 说过一句话现在读起来更有意思:“每天都投入系统的设计。“AI 让执行变快了,意味着你每天能做的决策轮次变多;决策质量差的话,执行越快浪费越大。
一个具体场景:AI 生成的代码通常在一个 session 内看起来完全合理,但在时间维度上未必。选择用哪个方案,判断基准应该包括“这个方案一年后还能读吗“。这种跨时间的判断力来自维护代码的经验,不是读教程能学到的
4. 边界和集成的工作量占比在上升
单个函数、单块逻辑 AI 写得越来越好;但把多个 AI 生成的东西组合起来、让它们在边界上一致工作,这部分变化不大。
就像装修:自己组装宜家家具越来越容易,但协调水电、暖通、泥瓦的接口永远需要人。
AI 时代最有价值的工程师,可能是最擅长定义边界的人——知道哪个模块该做什么、不该做什么,知道模块之间怎么通信、出了矛盾怎么仲裁。这些判断需要理解系统的全貌,不是 AI 能替你做的。
5. 如何培养 AI 时代的工程品味
回到一个具体的问题:怎么培养“知道什么时候该信 AI、什么时候该质疑“的判断力?
几个经过验证有效的路径:
亲手把东西做坏,再亲手修好。 AI 能帮你写代码,但没法帮你承受“这段代码上线后崩了,半夜两点爬起来修“的后果。这个后果会刻进你的判断力里。调试一个你亲手引入的 bug,比读十篇“如何写出好代码“的文章收获更大。
多读差代码,少读好代码。 好代码是结果,你看不出设计者踩过什么坑。差代码把坑摊开给你看。有意识地读一些 legacy codebase、别人的 stackoverflow 答案、开源项目的老版本。看到别扭的地方停下来想:如果是我来改,怎么改?这比刷算法题更能训练工程直觉。
问“这个 decision 改变了什么“。 每次看到一个架构 decision,追问:如果反过来做,什么会变坏?能看清 tradeoff 的人,在 review AI 输出时不容易被牵着走。
刻意练习“拒绝 AI 的建议“。 选一个中等复杂的 task,让 AI 给你一个方案,然后你自己想清楚再评估它的方案。不一致的地方问自己:是我错了还是 AI 错了?慢慢地你会开始能预测 AI 在哪类问题上会出错。这不是玄学,是 pattern recognition。
做一些需要维护的东西。 写代码和养代码是两件不同的事。前者靠逻辑,后者靠品味。维护一个你一年前写的项目,你会惊讶于自己当时的很多“聪明“选择现在看来是噩梦。这个过程会教会你:什么样的决定在当时看起来合理,但一年后仍然合理。
最后
少问 AI 能做什么,多问自己不会做什么。
AI 能做的事情越来越不需要培养;你不会做的事情才是你独特价值所在。
找到你能力图谱里 AI 补不上的那块——可能是系统设计,可能是用户理解,可能是性能调优,也可能是团队协调——然后把精力往那里集中。
技术品味不是读出来的,是做决策做到足够多次,被后果教育出来的。AI 不会替代这个过程,只会加速它的节奏。