关于 AI 时代软件工程的反思

AI 加速的工作流与生产力

• 一些开发者描述了端到端的工作流，其中 LLM 帮助完成需求草拟、设计选择、模式、原型、测试、编码和重构。
• 据称的好处包括：独自构建原本需要一个团队的产品、将数周的工作压缩到几天，以及使用 AI 对超大代码库进行大规模重构和漏洞排查。
• 另一些人则将 AI 仅用于原型、缺陷检测或文档编写，然后为了质量和可维护性再手工重写。

AI 生成代码的质量

• 分歧很大：有人说 LLM 是“糟糕的程序员”，应该主要作为分析器或橡皮鸭使用；也有人声称 AI 编写的代码速度快、质量稳，而且在人工审查下已经占据了他们生产代码的大部分。
• 许多人指出，AI 通常能达到他们质量标准的约 90–95%；把最后 5–10% 打磨好（边界情况、风格、一致性）在精神上很消耗，而且可能抵消速度收益。
• 大家一致认为，AI 输出必须经过审查，模型会忘记约束、误解反馈，并且可能提出危险的修复方案。

范围限制与难题

• 一些评论指出了当前 LLM 力有未逮的领域：游戏引擎（例如高级遮挡映射）、复杂模拟、前沿算法，以及训练数据中并不常见的架构选择。
• 即使在并非最优的情况下，AI 也倾向于选择“平均”或流行的技术栈和模式（例如常见的 Web 框架）。

角色、职业与技能退化

• 一种观点认为：大多数传统的“实现功能”的软件工程师会变得多余；剩余角色会集中在：
  • 少数精英，创建库、工具和开源项目，为训练数据提供来源。
  • 在组织内部“引导”并约束 AI 生成代码的实践者。
  • 类似 QA 的角色，验证并探查 AI 输出。
• 其他人认为，在商业软件中，良好的架构、可维护性和设计仍然至关重要，无法被代码生成器替代。
• 还有人持续担忧初级开发者会失去实现层面的“练习次数”，以及长期技能的退化。

经验、乐趣与工艺

• 一些人觉得与 LLM 合作很令人沮丧：模型会胡编乱造、忽视指令，而且像健忘、过度自信的协作者。
• 另一些人则感到从繁琐任务中解放出来，乐于专注于架构、问题定义和更高层次的设计。
• 多位评论者强调，编程是个人心智模型的构建，也是门手艺，并预测未来人类会越来越多地“塑形”海量 AI 代码流——更像盆景培育，而不是从零建造。

经济与社会层面的争论

• 对于我们是否真的处在“AI 时代”，存在分歧：
  • 支持 AI 的一方：生产力大幅提升，可类比拖拉机和装配线。
  • 持怀疑态度的一方：炒作、迄今社会收益有限、训练数据相关的伦理问题，以及从开放、民主化学习转向付费墙内、 केंदраль化的 AI 工具。