我有将近15年的前后端工程经验，以前每当一个需求被产品提过来，我能马上脑子里勾勒出来大致技术架构和关键问题。在产品提出需求的时候，能立刻给出来可行性的判断和关键问题的解决方案。慢慢的，我觉得几乎没有解决不了的工程问题。但是，做 AI Agent 开发这段时间，我感觉很无助，我总是想试图让一切链路变得可控，但是我发现越是想控制，越难以控制。比如有时候AI执行一个skill，第一次对话完美执行成功。但是多轮对话结果却不尽如人意，有时候skill 3分钟执行完成，有时候却是30分钟。于是我优化缓存，优化context，优化skill的描述，一套组合拳下来，最后发现成功率不降反升，skill越写越长，准确率反而越来越低。有时候能唤醒skill，有时候无法唤醒，有时候任务会被突然中断。于是又折腾换一个大模型，表现又完全不一样。对于一直追求确定性的我来说，这是完全不能接受的。回想以前做一个秒杀活动，如果库存没了系统表现怎么样，缓存击穿了怎么办，fullgc了如何处理，下游支付链路限流了，如何止损。这一切的一切都需要确定性结果，每次大促前压测 + 预案演练 + 异常告警，都是为了让各种异常可控，让结果清晰明了。然而，AI 的随机性，让一切不可控。为了解决AI的幻觉，不可控的问题：我尝试优化提示词，将返回结果数据进行工程化检测，将确定性链路尽量抽象成接口调用，甚至试图减少大模型的调用，提升系统可靠性，宁愿通过复杂的工程方案来让程序可控。这一切尝试让我非常的沮丧。我慢慢发现我还在用工程思维解决AI问题，我在用前朝的剑，斩本朝的官。大家都在说AI Native，随着项目的深入，我才慢慢意识到，这更多是认知问题。我承认，我被固有的工程思维禁锢。| 传统软件工程 vs AI Native以前觉得 AI 只是传统工程链路的一环。比如 AI 点奶茶，其实就是一个工程链路前端加了一个AI的语义识别。没有AI前也能做，但是语义识别不准，通过关键词匹配，或者再增加一些表单填写，也能解决。但是AI来了，识别用户意图准确率大大提升，体验更好了。但这算AI么？我觉得这只是 AI Added 并非 AI Native。AI Added只是用大模型解决一些传统软件产品中，某些连路上大模型可以更好解决的问题。传统软件偏向规则，通过层层可控，来提升稳定性和确定性。而 AI Native 更像人类，需要通过协作，评估，学习，监督等方式提升确定性。这是两条链路，可以互相借鉴，但是解题思路其实不一样，需要刻意的训练。| 互联网和AI是什么关系？如果AI的出现早于软件工程，也许就没有必要刻意训练，因为 AI Native 更像是人类的思维。人类的层层审批流程，就是通过评估对抗，提升结果的准确性。长期的工程化思维训练，让工程师更像是一个机器，而 AI 更像人类，有点讽刺。为什么思维转变很重要呢？因为环境，AI的出现，互联网公司是天然的孕育环境，互联网大厂有资本，有数据，有机器，有算法工程师，有软件工程师。AI 从互联网公司孵化出来，一切都变得自然而然。AI是一个新的物种，它需要发挥潜力，刚好周围有现成的工程师团队，于是原来的工程师和产品团队，自然成了应用层面的实践者。但是传统的互联网思维一下没有办法转变过来，大家也都还在摸索中。在摸索中，就容易经验主义，传统的DAU思维，转化率这些指标在AI产品中，也许不重要了，但是有些团队依然是这套打法。好在大家都一样，都需要摸索，走点弯路也很正常。| AI会替代掉程序员么？解释这个问题前，首先要先把维度区分开，这是三个维度的事情：
夜雨聆风
