几乎所有开发者都感受到了 AI 带来的效率提升你, 但同时也普遍感到一种 用的不爽 的别扭感. 这种别扭感的来源, 在于我们当前的开发方式, 正处于一个不上不下的尴尬阶段
AI 协作 ” 三大摩擦力 ”
- 上下文摩擦力 (记忆层)
- 花费大量精力告诉 AI 它本应知道的事情
- 永远跟一个 ” 第一天入职 ” 的新同事对话
- 工作流摩擦力 (执行层)
- 与 AI 的交互是断裂的, 片段化的
- AI 只能给出建议, 但不在执行链条里 (人工去执行)
- 认知摩擦力 (交互层)
- 大脑在不同模式高频切换, 耗费精力
- IDE 中:” 创造者 ”, AI 聊天窗口:” 提问者 “
三个阶段
- 外部大脑: ctrl+c / ctrl+v 粘贴提问
- 人是翻译器和执行器, AI 是外包的思考模块
- 嵌入式副驾驶: cursor (批准, 执行, tab tab tab)
- AI 进入 IDE, 但只是 ” 副驾驶 ”
- 不再只是一段建议, 而是一个可审阅的改动 + 一组可执行动作
- 人类变成审批者
- AI 原生: claude code, codex
- 不仅仅是更自动, 上述三件事成型
- (做什么) 可执行的规范: spec.md, plan.md, tasks.md
- (怎么做) 持久化的上下文: claude.md, agents.md 项目的长期记忆
- (行动) 可编排的行动: 工作流的手脚
- 内置的工具 (grep, read, write, bash)
- 自定义指令 (slash commands), 钩子 (hooks)
- mcp, skills
AI 时代, 程序员的新角色
高度自动化的工作流中, 软件工程师的角色是什么? 价值在哪里?
AI 并非取代, 而是解放
- 代码生产者 → 规范设计者
- 从微观的代码实现, 转移到宏观的业务逻辑, 用户场景, 边界条件
- 我只需要把流程跑通, 剩下的耦合工作, dirty word 直接 AI 代劳
- 我喜欢用 jupyterlab, 面条代码, 现在不再痛苦
- 做更过的探索性工作, 而不是低价值的工程劳动
- 任务执行者 → AI 工作流指挥家
- 如何将最佳实现封转为一个 skill
- 如果构建一个 mcp 服务器, 拓展 AI 边界 (chrome-devtools mcp)
- 如何设计一个可组合的 AI workflow
- BUG 修复者 → 系统质量 ” 终极负责人 ”
- AI 会有幻觉, 会犯错
- 人类仍是系统质量的最后一道防线
三类角色:
-
问题定义者
- 把模糊问题转成清晰规格, 约束和验收标准
-
系统编排者
- 设计 AI + 工具 + 数据 + 人类协作的工作流
- skill, mcp, agent
-
质量守门人
- 建立测试, 评估, 监控, 回滚 和 审计机制
- 把 ” 不稳定的智能 ” 装进 ” 稳定的系统 ”
以前很多我不想写, dirty work, 前端页面, 数据清洗, 一次性脚本, 重复性任务
价值倒转
- 从代码的生产者 → 规范的设计者
- 核心产出将从 .go, .py, .cpp 变成那份能够生成无数正确 .go 文件的 .sepc.md
- 从代码执行者 → 工作流的指挥家
- 如何实现一个功能 → 如何设计一个能让 AI 自动实现功能的流程
- 软件工程基本操作单位变了: function, class, module → task, workflow, agent
- 从被动修复者 → 主动的治理者
- 修复一个 bug → 设计一个能让 AI 在开发阶段就避免这类 bug 的质量体系
价值倒转, 不是价值替代
不要误解成:
- 代码不重要了
- 会实现的人不值钱了
- 只写 spec 就够了
底层价值没有消失, 但它越来越商品化 上层约束与治理价值没有替代底层, 而是重新分配稀缺性
因为:
- 没有人理解实现, 规范就会变空话
- 没有人理解系统, 流程就会变幻觉
- 没有人理解风险, 治理就会变形式主义
最强的人, 是即懂实现, 又能上升到规范, 流程, 治理的人