AI 没有智慧，你也不会有
工程师们在争论，AI 生成的代码是否注定会变成一团不可维护的乱麻，还是只是反映了人类长期以来在糟糕架构和技术债上的老问题。许多人认为，只要有清晰的规格、测试和“agent 脚手架”引导，大语言模型已经可以匹配甚至超过普通开发者，但他们也担心，过度依赖会侵蚀组织知识、削弱初级开发者技能，并让团队越来越难在多年尺度上做出明智的架构权衡。另一些人则反驳说，编码正在变成一种廉价、可替代的商品，真正的差异化将取决于团队如何设计系统、定义约束，并在 AI 浓度极高的工作流中平衡短期速度与长期代码健康。
AI 生成代码的质量与“氛围编程”
- 许多人认为由 LLM/agent 编写的代码过度复杂、不一致，而且容易出现隐藏 bug，尤其是在使用模糊的“做 X”提示时。
- 另一些人则认为，这与平庸的人类代码本质上并无不同；AI 只是同时加快了功能交付和代码腐化。
- 还有几条评论指出，AI 质量在很大程度上取决于约束、示例和审查；没有指导的 agent 产出“垃圾”几乎是必然的。
可维护性、指标与架构
- 讨论普遍同意，长期可维护性很难衡量；常见指标（圈复杂度/认知复杂度、SonarQube）噪声很大，也很容易被钻空子。
- 有人建议为增量修改建立 RL 环境和基准测试，以训练模型更关注可维护性，但这仍处于早期阶段。
- 更高层的架构和边界设计是 agent 目前最容易失败的地方；工具可以强制低层规则，却无法保证良好的系统设计。
学习、智慧与组织知识
- 一个反复出现的担忧是：那些“从 2025 年起就没写过代码”的开发者可能永远无法建立深层直觉，从而变得依赖 AI。
- 有人把这与制造业外包、失去工业诀窍作比较；AI 也可能同样削弱软件工艺和领域理解。
- 也有人反驳说，人类本来就很少达到精通，而关于代码的“智慧”往往是隐性的，即使教人也很难形式化。
人们实际上如何使用 AI
- 有些人报告了显著的生产力提升：让 agent 负责大部分实现，然后自己把重点放在规格、架构和测试上；在几个小时内完成大型重构；生成更全面的测试和验证。
- 另一些人则发现自己花了太多时间“催促”模型并修正奇怪的设计，因此更愿意手写关键路径。
- 提到的技巧包括：AGENTS.md 约定、将丰富的代码注释作为“无基础设施记忆”、多 agent 交叉审查，以及显式的重构阶段来减少不断累积的垃圾代码。
激励、劳动与文化
- 许多人把容忍 AI 垃圾代码的原因归咎于管理层对速度和上市时间的关注，以及对那些为了提升质量而放慢节奏的工程师的惩罚。
- 当求职者可以借助 AI 掩盖薄弱基础时，招聘和评估也会变得更困难。
- 有人认为，关心代码质量主要是文化和激励问题，而不是工具问题。
关于未来的预测
- 一派预计 AI 会无处不在，甚至可能出现完全 agent 化的流水线；“NO-AI” 政策被视为小众或不可持续。
- 另一派则预测，“NO-AI”（或尽量少用 AI）的团队会成为高端或出于安全考虑的利基市场，尤其是在高风险领域。
- 对发展轨迹尚无明确共识：有人认为 AI 编码质量正在快速提升；也有人认为在可维护性和上下文限制等核心问题上几乎停滞。