ARTICLE · 1024257
AI 越会写代码,Engineering 越重要
AI 越来越会写代码。
它能生成前端页面、后端接口、数据访问逻辑和测试代码，也能跨越不同技术栈，完成一次看起来相当完整的修改。
于是，一个越来越现实的问题摆在工程师面前：
当 Coding Agent 可以写完大部分代码，人还需要掌握软件工程吗？
Andrew Ng 在 AI Engineering Skills Map 的第二项能力中，给出的答案并不是“软件工程不再重要”。
恰恰相反：
当代码生成变得容易，发现取舍、提供上下文和引导 Agent 的能力，反而会变得更加重要。
代码可以被生成。
但一个系统应该如何设计、如何运行、如何承担后果，不能被默认。
一、代码写完了，系统并没有自动成立
Andrew 将 Software Engineering Fundamentals 概括为五项能力：
- Building Full-stack Applications｜构建全栈应用
- Managing Data｜管理数据
- Designing System Architectures｜设计系统架构
- Making Systems Secure and Reliable｜构建安全、可靠的系统
- Scaling and Operating in Production｜扩展并运行生产系统
这五项不是软件开发的五个连续步骤，也不是一套成熟度等级。
它们是一张能力地图：帮助工程师识别，Agent 生成的代码将进入怎样的系统，又会带来哪些后果。
二、全栈能力，不是每一层都亲手写
Coding Agent 可以同时修改用户界面、应用逻辑和数据访问代码。
但系统是否真正成立，仍然取决于工程师能否回答一系列跨层问题：
身份如何穿过不同边界？ 状态究竟保存在哪里？ 同步与异步怎样配合？ 数据如何持续保存？ 一次改动如何被完整验证？
所以，全栈能力不再只是“每一层都会写”。
更重要的是：
当任何一层发生变化时，知道整个系统会发生什么。
三、代码可以重新生成，数据很难重来
软件建立在数据之上。
代码结构可以被快速重写，数据模型、历史记录、访问方式和隐私义务却很难重新开始。
Agent 可以依据现有结构生成代码，但它未必知道：
一条数据在业务中真正代表什么； 哪些历史关系不能被破坏； 哪些信息必须保留或删除； 哪些访问受到隐私和治理约束。
很多关键上下文，从来没有完整写进需求、代码或文档。
这也是企业使用 AI 时最容易忽略的问题：
Agent 不知道的，往往正是企业没有说出来的。
因此，管理数据不只是选择哪一种数据库，而是保护软件系统中最难重新建立的基础。
四、好架构不是标准答案，而是阶段答案
同一个系统，在不同阶段需要不同的架构。
原型阶段，最重要的可能是速度、简单和快速学习。
第一次进入生产，关注点会转向可靠性、安全性和可运行性。
当规模扩大以后，容量、隔离和效率又会成为新的约束。
因此，架构不是找到一个永远正确的形状。
真正的工程判断是：
知道什么时候，系统必须改变形状。
Agent 可以快速生成一种架构实现，却无法仅凭技术知识判断企业当前最需要优化什么。
决定取舍的，始终是具体的应用场景、项目阶段、风险水平和业务后果。
五、Happy Path 能跑，不代表系统可靠
Agent 很擅长完成正常路径：
请求进入，程序处理，然后返回成功。
但企业系统真正困难的部分，通常隐藏在正常路径之外：
输入不合法怎么办？ 外部依赖失效怎么办？ 权限越界怎么办？ 请求超时怎么办？ 一个局部故障会不会拖垮整个系统？
可靠性并不是保证系统永远不失败。
它要求失败能够被发现、被隔离、被恢复，并尽可能在进入生产之前暴露。
AI 可以帮助工程师更早发现问题。
但理解风险、判断优先级、控制影响范围并确认修复结果，仍然依赖安全和工程知识。
六、代码上线，工程才真正开始
当代码进入生产环境，企业还要持续完成一整套工作：
安全发布、运行观察、异常告警、事件响应、容量管理、复盘改进，以及技术债控制。
生产环境不是软件最终抵达的终点，而是一个持续运行的闭环。
Agent 可以生成一次变更。
企业必须承担这次变更进入生产后的全部结果。
七、五项能力背后，是同一个“决策层”
如果把 Andrew 的五项能力重新排列，我们会发现，它们都在回答同一个问题：
系统应该如何取舍？
这里的“决策层”，是「AI进企业」在 Andrew 原文基础上的进一步提炼，并非 Andrew 提出的原始模型。
一个完整的工程决策，可以分成三层。
第一层是应用上下文：
用户是谁、负载多大、风险多高、涉及哪些隐私、项目处于什么阶段，以及失败会带来什么业务后果。
第二层是工程取舍：
延迟、可用性、一致性、可靠性、可维护性、简单性和成本之间，应该如何平衡。
第三层才是 Agent 生成的实现：
代码、配置、测试和基础设施。
Agent 只能优化它已经看见的约束。
软件工程知识的作用，是把隐藏在业务、数据和生产环境中的要求，转化为 Agent 可以执行的明确决定。
所以，工程能力首先不是“知道怎样写”。
而是知道：
这里存在一个必须做出的决定。
最危险的不只是 AI 写错代码。
而是它替企业做出了一个决定，而人甚至没有意识到自己本应参与其中。
八、企业需要升级的，不只是 Coding 效率
如果企业只用代码数量、提交次数和开发速度衡量 AI 的价值，很容易得到一个局部正确、整体危险的结果：
代码产出增加了，工程责任却没有同步升级。
真正需要建设的，是一套能够配合 AI 工作的工程系统：
说清业务与技术约束； 让关键决定可以被看见； 为验证结果留下证据； 明确生产环境的责任归属； 为高风险变化建立必要的审核路径； 形成团队可以共同使用的工程标准。
Coding 正在下沉。
Engineering Judgment 正在上移。
AI 接管越来越多的实现，企业必须承担越来越清晰的判断。
这可能才是 Coding Agent 进入企业以后，软件工程真正发生的变化。
——
AI进企业 · 04 Software Engineering Fundamentals
来源：Andrew Ng，AI Engineering Skills Map 系列 原始内容：Andrew Ng 原帖
下一篇｜AI进企业 · 05
Using Coding Agents
当执行可以交给 Agent，人应该如何管理上下文、规划、自治程度、介入时机和验证过程？