AI替你写代码的时代,真正拉开差距的,是软体工程思维!

最近，硅谷乃至全球都在疯一个词：回圈工程，Loop Engineering。

听起来很科幻。连黄仁勋都说，这是2026年下半年最该学的能力之一。

讲白话一点：你不再需要一句一句指挥AI，而是设计一套回圈，让它自己去写、自己去测、错了自己去改。

很多人第一反应是：那工程师是不是没活干了？是不是要被取代了？

但今天这位嘉宾想告诉你：你们问错了。重点根本不是工程师这个职业。

当AI让“做出东西”变成人人都会的事，真正把人跟人狠狠拉开的，是——你知不知道自己在做什么。

这条线，跟你是不是工程师，没半毛钱关系。不管你做行销、做企划、想创业，只要你想用AI做出真东西，都得搞懂自己到底要做什么。

今天，我们邀请到科技巨量Podcast主持人哈利。他大学念国际贸易，靠自学转进资料科学和AI工程，节目曾登上Apple Podcast科技类排名第一。最近，他和团队做了一门课，从软体基本功一路教到部署、资安和产品上线。

我们要一起讨论：当人人都能叫AI做东西，懂与不懂的差距，到底藏在哪里？又大到什么程度？

一、分水岭：从Chatbot到AI Agent

过去半年，AI发生了一波巨大改变。

关键分水岭，是去年11月Anthropic推出Open 4.5。从那之后，AI Agent时代正式开启。

最明显的变化在软体工程：原本AI大概能写20%的代码，大部分还得靠人。现在呢？基本上不用碰键盘了。网页开发、APP开发，整个过程中你不需要自己写任何一行代码，AI Agent会处理所有事情。

知识工作也一样。过去一年没用ChatGPT帮你做PPT或Excel，真的该试试。你叫它做一个公司sales kit，或者一个家族聚会的小展示，你绝对会被吓到。

这些背后能力的源头，是AI能够进行长时间工作的能力越来越强。Open 4.5之后，英文叫step change，一个大跃进。

后来Claude Code搭配强模型，一段时间大家觉得ChatGPT是不是跟不上了。但现在，ChatGPT的Codex和Claude，算是两个非常强的Agent使用界面。

Codex给了一个惊人数据：今年年初只有100万活跃用户，现在1500万。半年时间。甚至过去一个月，就从600万冲到1500万。这里面绝对不是全部都是工程师。

二、CUDA护城河，正在慢慢削弱

有一个变化，很多人还没完全意识到：NVIDIA的CUDA护城河，正在削弱。

先澄清，我很看好NVIDIA，至少短期非常看好。它现在有很多护城河。但过去两三年大家认为它最主要的护城河——CUDA——在过去半年，很明显开始慢慢削弱。

我对CUDA护城河的定义，主要是软体可移植性、移植成本。

过去两三年AI刚爆发时，这是非常强大的护城河。大家都还没准备好，只有NVIDIA开发了这么久的CUDA。同一套AI软体，同一个模型，在NVIDIA上跑，就是比AMD或其他AI芯片更快。所以你很难轻易把模型搬到其他软体上。AI公司想快速建立运算层级、训练模型、推论模型，最好就是用NVIDIA GPU。

但过去这半年，因为AI Agent写code能力进步太快，有一个明显step change。它们不只在写网页、写APP、做PPT、Excel上做得好，写GPU kernel的能力也明显提升。

所谓GPU kernel，就是AI模型最后会break down成很多运算，这些运算怎么最好、最快地在GPU或AI芯片上算，就是kernel软体。

在X上，你看那些最前端的kernel engineer讨论，很多人都已经在说，他们的工作接下来就要没了，因为AI很明显可以写出很不错的kernel了。

同时，软体移植性这边，很多案例出现：有人把原本在CUDA里写的化学模拟运算，直接靠AI Agent搬到MacOS上，或搬到其他GPU上。过去这是大工程，一整个团队花半年、一年才能做完。现在你叫Claude、Codex去跑，就可以完成。

为什么？因为这些事情从人类角度看非常困难，是整个软体工程领域最困难的部分。但对AI来说，它是一个可验证的问题。对AI来说，难的是不可验证的问题。只要问题可验证，有明确结果、明确优化目标，它就可以持续优化。

一个具体体现：Anthropic的co-founder Tom Brown分享，他们拿到AMD的AI机柜，要把最强AI模型跑在上面。原本觉得是大工程，很困难。但没想到，他们直接叫Claude，说“我要跑这个模型，跑在这个GPU上，想办法跑得越快越好”。然后Claude自己无限迭代，一个周末之后，效能曲线就一直往上。

你可以想象，原本要做到这件事，需要全世界最顶尖的kernel engineer，花很长时间，一次次迭代修code。现在Claude就可以做到了。

很明显，CUDA护城河的软体移植成本会持续下降。当然，CUDA过去十年建立的影响，不可能这么短时间就被摧毁。整个庞大开发生态系，还是有很大帮助。但大家要理解：NVIDIA已经没有办法单纯靠软体可移植性、移植成本，把大家给框住了。

三、Loop Engineering：从写prompt到写回圈

聊到AI Agent，就要聊一个关键字：回圈工程，Loop Engineering。

Claude Code的开发者讲了一句很狂的话：“我现在已经没有在prompt AI了，我有一堆回圈在跑。由他们去prompt AI，我的工作是去写回圈。”

从打字叫AI写程序，到写回圈让AI自己跑，中间发生了什么？

一句话最简单：我们不是写prompt去叫AI做一件事，而是定义一个目标，以及定义这个目标怎么验证，直接叫AI持续工作，直到目标达成为止。

具体操作也很单纯。在Claude或Codex这些coding工具里，你打/goal，写你的目标，enter，让它go。AI Agent会先做计划，把目标break down，思考每一步要做什么，做完每一步后持续检查结果，一直做，直到最终目标达成。

但Loop Engineering这个概念，现在提倡没有问题，因为它确实是未来，但它现在还是有点太早。

它是未来，因为很明显，这绝对会成为未来软体工程开发的主流典范。因为它明显优于prompting：

第一，效率提升非常多。你不用每一步去思考要怎么做，再叫AI完成。现在你只要思考这个结果怎么验证就好了。

第二，AI可能真的会做得比人好。很多时候，一切放给AI去做，还是会做得比人好。

为什么现在讲还太早？因为现在的AI Agent，能力和token效率还没达到那个程度。

现在确实AI Agent可以花很长时间做到很惊人的事情，但它会耗非常大量的token。因为过程中还是会犯各种小错误，需要自我修正，有时候甚至开始鬼打墙。

所以Loop Engineering现在还是比较偏向token自由的人在玩。就像Anthropic的Boris Johnson，Claude Code创办人，以及Codex员工，他们整天说Loop Engineering，是因为他们有无限的token可以烧。

他们在做什么？直接在Claude里面说：“你帮我build一个Microsoft Excel的clone，所有feature都要1:1完全对照，go。”然后它可能会跑5天，甚至一两个礼拜，每分每秒持续跑，直到把Excel做出来。

一般工程师要付这么大量的token，没有人付得起。

但与其说它超级贵，不如说在这件事之前，人们连想象要去做挑战这件事都不可能。如果不是因为现在有那么聪明的模型，跟这样可以长时间工作的AI，好像只要有钱就办得到。而且只要等到token越来越便宜，好像更多人也都办得到。

所有科技的演进都一样：能力会先到，成本才会降下来，直到所有人都可以拥有这样的能力。

现在OpenAI和Anthropic最前沿的工程师，他们用AI的方式、工作的方式、看到的世界，跟一般人看到的已经是完全不一样的世界了。

你可以说，他们已经活在未来了。

四、软体工程的本职，从来不是Coding

但这里有个很麻烦的问题：要搞Loop Engineering，难道不需要先知道“对”长什么样子吗？如果不知道对的话，要怎么写出验证边界？

如果这种判断力以前是靠一行一行写code或踩雷才练出来的，那如果新人一开始就跳过“写”这件事，他要怎么长出这双眼睛？

我想小小挑战一下这个问题：其实软体工程的本职，一直以来都不是Coding本身，而是怎么建立起一个真的可以运作、有用、安全的系统。

你去问任何资深软体工程师，他们都会这样讲。写code本身，Coding，你学那些程序语言的语法本身，就是一个工具，一个帮助你达到目标的手段。你就算再熟各种语法，能写出很复杂的recursive function，如果你不知道一个系统到底要怎么被建立起来，怎么才会安全，那也是没有意义的。

从这里就可以看出来，Coding本身是可以被抽象掉的。假设AI真的可以写出完美的code，是可以完全交给它的。人类要focus的，是更高层次的：怎么建立起一个真正有用的系统。

其实整个软体工程领域的演进，就是一直在不断抽象化，抽象层一直在提高。

最开始大家都在写assembly，很接近机器语言。后来有比较高层次的语言，像C，开始接近人类语言，很多机器底层概念被抽象掉了。但C语言你还是要自己管理记忆体。到后来有更高层语言，像Python，你连记忆体都不用管，语法又非常接近自然语言。

每一次抽象层提高，都把一些底层技术细节包起来了。

今天在Python时代，要成为一个好的软体工程师，你并不需要知道底层记忆体怎么打洞卡。你当然也不用说打洞卡怎么处理。

我相信在AI时代也是一样。现在基本上已经是了，在大部分软体工程工作上，完全不用碰code，不用自己写任何一行。未来呢，基本上大家都不会去写任何一行code了。

但还是会需要透过不断迭代，透过了解软体工程的基本知识、基本功，以及对于一个系统思维的理解，才能够培养出怎么判断什么才是对的能力。

五、职位边界模糊，通才时代来了

如果软体工程思维很重要，那工程师会被取代吗？还是会有更多人变成工程师？

我觉得未来可能会有两种状况，现在已经有初步端倪。

第一，软体工程师这个专业还是会存在，还是会有人。他们的工作，就是想办法建立起很复杂、稳定、进阶的系统。

但与此同时，大部分职位的边界都会开始变得越来越模糊。软体工程这件事，已经不再是软体工程师的专利了。所有人都可以做一点点的软体工程。

你看一波科技革命，整个职涯会怎么变动，就看走在最前面的公司在找什么样的人，他们的团队怎么变动。

在硅谷，像Anthropic、Meta这些走在最前面的AI公司，从他们现在的组织运作模式，你就可以很明确看到所有职位边界开始模糊。

刚好昨天，我看到Meta一个资深工程师，staff engineer，在网络上发文说，他们公司现在的职位开始越来越模糊了。他们的designer也会开始ship code，也会开始写一些code，实际对公司的code base做出贡献。

也不是只有Meta这样。像Anthropic更是直接讲，他们现在在找的人，不是那种纯粹的PM。他们会希望他们找的PM也都有一点点技术能力，也都懂软体的基本概念，能够为公司做出一点贡献。

为什么大家在找这样的人？因为很明显，这样的人能够大幅加速组织的运作效率。

假设一个PM的工作就是帮忙想feature，设计feature。他跟用户讨论完之后，决定要做一个新feature。旧时代的方式，他需要去排工程资源，需要去跟工程师沟通，想办法要到他们的时间来帮他做这个feature。

这以前很ging，很痛苦。甚至最简单、很单纯的一个feature，改一个小东西，都必须经过大量沟通，排工程资源。

但现在，如果我懂一点点软体工程概念，会使用vibe coding的工具，我就自己把这个feature做完了。原本可能花一个礼拜才会上线的事情，今天立刻自己就可以搞定。

你可以发现，这个组织效率是不是大幅提升了？

事实上，我特别有感。最近所有APP，不管是桌面上的还是手机里的，更新速度都在变快。它每天都在更新，每天都在变一点点。我觉得这好像是vibe coding或agentic coding之后发生的事情。

百分之百。像我跟我的co-founder，我们自己已经打造了三个产品。去年打造两个，今年又打造一个。基本上今年的产品，我们已经没有写任何一行code了。所有code全部都是AI写的。当然还是由我们去驾驭这些AI。但我们现在的迭代速度真的非常快速。

未来的时代是一个通才的时代，职位会越来越模糊。

但同时，软体工程这个专业还是会出现。因为还是有一些更专业、更进阶、更复杂的系统，会需要有真的懂软体工程、懂到很细节的人，去帮忙处理。

所以我觉得软体工程师这个角色还会存在，但大家都会开始做一点软体工程。

六、从玩具到产品，中间差了什么？

任何一个人现在随便找一个vibe coding工具，一两行prompt，可能20分钟内就有一个可以在自己电脑上玩的网页或APP。

但从这一步开始的下一步，就会变得非常困难。

比如，这个产品到底要让大家都使用到，这边就牵涉到部署的概念。AI写完的code都存在你电脑里，你要放在哪里才可以让所有人都使用到？

部署到云端，让大家真的可以用到之后，又会出现资安的问题。有哪些资料很关键、很敏感，不能流出去？最恐怖的就是API key，很多vibe coding鬼故事的核心。API key到底要放在哪里，你才不会不小心上传到云端，才不会不小心让大家看到？

再来，你就算管好了资安，软体也得跟同伴协作。就算不协作，自己也要做好版本控制。假设今天AI不小心写烂了一个版本，你要怎么回到两个版本之前？或者同伴要怎么跟你同时一起开发这个软体？这就牵涉到Git、GitHub的概念。

整个产品做完，大家也可以登录之后，你要怎么真的能够收钱，让大家刷卡？这就牵涉到金流的概念，怎么串接金流？

除此之外，还可以继续延伸。你会发现，从一个玩具到一个真正有用、可部署、大家可以付钱、安全的产品，中间有非常多重要核心的软体工程概念，是你需要去理解的。

当然，AI可不可以做到这些事情？AI绝对都可以做。每件事都可以帮你做，也可以跟你讲怎么做。

但如果你自己都不知道要做这件事，你也不知道AI到底有没有帮你做这件事，这件事在你的脑中根本是一团糊。unknown unknown，是你完全未知的领域。你到底要怎么确保AI真的有帮你把这一切全部cover好？

这就带到一个很重要的观念：AI可以帮你做事，但它做出来的东西是你要负责。AI不能帮你负责。

你今天APP出了问题，API key被狂刷，你不能去找OpenAI算账，是你自己要负责。

所以到了最后，就算AI真的可以每一件事都做，你还是自己要懂背后的核心原理。

最有名的vibe coding鬼故事，就是API key事件。前一阵子有一个vibe coding讲师，API key就是能够让你使用OpenAI、Anthropic这些高级模型的一串密码。任何人拿到你的API key，就可以以你的名义使用这些模型。基本上这些模型用量都算在你头上。所以API key是不能外流的东西。

懂软体工程的人就会知道，API key应该放在一个.env的file，这个.env file不可以上传到云端。你要怎么让GitHub去ignore它？这些是懂软体工程的人知道要做的事情。

但当时那个vibe coding讲师不懂这些，不小心把API key硬写到他的软体当中了。

首先，所有使用这个软体的人，都会刷到他的账单。他原本只是想demo给大家看，但没想到大家以他的名义去狂用。如果遇到真的有恶意的人，他可以把API key抓下来，放到用量很大的其他用途上。结果真的会不堪设想。

另一个例子是知名YouTuber一加一，他做出了自己的vibe coding产品，字幕工具。这个产品本身很成功，一天就有1万多个用户。但同时也出现一些问题，包括网站被攻击的情况。

这其实就是软体工程里面很重要的概念：如何防止滥用。

七、氛围学院：用AI时代的方式，教AI时代的知识

我们的初衷，是希望用一个AI时代的方式，去教AI时代最重要的知识。

现在市场上有的资源，大部分两点都没做到。

AI时代最重要的知识是什么？市场上大部分AI课程，都比较focus在工具、工作流，一大堆什么秘技、prompt。但那些是大家现在真正最重要应该学的东西吗？

其实不是。因为工具会过时得非常快，工作流也是。

去年大家都还在买一大堆N8N的课程，每个人都在讲N8N工作流。今年没有人再用N8N了。两三年大家在讲Midjourney、Stable Diffusion，现在那些东西到哪里去了？

同时工作流也一样。AI模型能力进展太快，现在依照目前模型能力做的工作流，可能未来完全用不到。未来模型就会直接帮你做了。

好像Anthropic现在每推出新一代模型，都直接删掉80%的system prompt。以前模型需要教它注意的事情，它现在自己就会注意了。

Harness无时无刻都在改变。当然不是叫大家不要学工具，或用工具。你现在有实际痛点要解决，确实应该找最好的工具去使用。但你要知道，学习工具这件事，不是让你持续累积在AI时代真正实力的方式。

很多人在盲目追求工具，但不知道真正应该培养的是基本功，是软体工程的核心概念。

我们的课程定位，就是教软体工程的核心概念。截至目前为止，我们是市面上第一堂完全focus在教软体工程核心概念的课。

很多人没有意识到这是要学的。可能最近大家开始有意识到，因为一加一的事件等等。但过去这半年，很多人还没有意识到。卖课的人当然也不会想卖一个大家都还没意识到、还没需求的课程，基本上就是赔钱。

我们宁愿赚少一点，也希望可以做一个真正有影响力、真正有用有意义的课程。

我们打造了氛围学院，因为我们想重新定义在AI时代如何学习。

ChatGPT刚出来的时候，很多人就已经在讲，教育要被完全改变了。AI可以做出互动式、很沉浸式的学习教材，同时AI又可以当每个人的个人助教，回答你的任何问题。

但你看现在到了2026年，99%的线上学习资源都还是长得跟五六年前一模一样。就是影片课程。

我跟我co-founder就觉得这不太对。很明显，AI可以做到更好的学习体验了。我们应该以这个为中心，去做一个真正AI时代该有的学习体验。

所以我们就打造了氛围学院。学习体验主要有两个面向。

第一，互动式、沉浸式学习。

很多概念，像软体工程里面的概念，非常抽象。好像后端，很多人没有办法掌握后端到底是什么概念。

我们实际把这些概念都实作模拟出来，在平台当中，让大家可以透过直接操作来了解。

好像是后端这个非常抽象的概念，我们实际建出了一个LINE的模拟器。操作你很熟悉的LINE界面的同时，你可以看到LINE的背后，它的伺服器进行了哪些操作，怎么处理。这是非常直觉、可以理解后端的方式。

因为大家平时都看得到自己的讯息被传出去了，但大家不知道这个讯息传出去之后，LINE的资料中心伺服器做了哪些操作。如果你可以直接操作的话，对于理解这些很抽象的概念，有非常大的帮助。

不只是后端，软体工程大量的概念，甚至不止软体工程，很多像加密货币、投资、商业的概念，其实都很抽象。透过实际操作，真的可以让你学得更好。

第二，个人化学习。

这也是为什么我们直接做了一个AI助教，在平台里面。你学习过程中遇到任何问题，直接问AI助教。我们甚至有个很方便的截图按钮，直接按，就可以框起你需要的区域，直接问问题。甚至你在看哪一页、哪个单元、哪张卡片、哪个互动式，AI助教全部都知道。所以他完全可以立刻给你当下最直接、最个人化的回复。

八、为什么95%的人没看完线上课？

任何线上课都会遇到两种情况：要么买了一堆，九成没上完；要么上完了，动手还是做不出来。

你刚刚讲九成没看完，其实还是有点客气了。我知道的真实数据是，只有5%的人会看完线上课程。

绝大多数人买了线上课，可能一半都没看完，甚至根本没看，只看了一点点。

为什么？直接讲一个大家心知肚明的答案：太无聊了。

你单纯坐在那边看影片，教学本身就是很枯燥乏味的事情。人类在学习过程中，如果只有input，很难激活大脑，很难真的让你engage在学习过程中。你真的要边学边做，实际学到一个概念就立刻操作，看这个概念在你眼前出现，你才会真正比较有动力把它学完。

我有非常高的信心，我们这堂课程的完课率绝对远远超过一般线上课程。

我觉得今天评估一堂线上课程价值的时候，不能只看内容本身、知识密度，还要看你能不能把它上完。最后得到的知识，得到的价值，是这两者的相乘。

另外一个问题是实作部分。可能大家上完课，没有办法自己实际做出一个产品。

我相信大家是有能力可以做出一个产品的，是真的可以用、可以上架的产品。

首先，我们这种互动式学习体验，其实解决了一个大部分vibe coding课程，甚至有实作的vibe coding课程都会出现的问题：摩擦力。

你看讲师在电脑做，然后尝试自己努力操作，但你会发现，为什么你安装这个软体的过程跟讲师不太一样？你的作业系统可能不太一样，环境不太一样，会出现各种问题。

整个vibe coding步骤这么多，每一个步骤可能都会跟讲师有不一样的结果。你要怎么继续接下去？其实很困难。

我们的互动式学习，可以完全解决这个痛点。

举个具体例子。假设你今天要学习的概念是API key不能放在不好的地方。传统的vibe coding课程，你是走到很后面才会遇到这个概念。APP都建出来了，要串API了，才会遇到。然后你可能就像我刚刚说的，在这个过程当中，根本走不到那么远，一半你就完全走不下去了。

但在我们的平台当中，我们教完你这个概念的同时，你立刻就直接在这个互动式里面直接操作了。我们把环境建出来，你直接有个API key，直接按复制，直接丢到该丢的地方，你立刻就可以知道，原来API key应该放在这边。

这个是全部都是模拟的环境。你可以立刻直接操作，直接看到它应该是要放在这边。

当然这还不是实战。实战没有办法靠模拟去取代。所以我们也会有实战单元，也会有影片单元，教大家手把手用真实世界的工具，在自己的电脑里面，一步一步完成这个产品。

我们其实有三个层次的体验：完全受控的环境、部分受控的环境、到你自己的环境。我们所有内容都有。真正好的学习应该整个光谱都要cover到，才可以让大家最有效率、最好地学会所有观念。

结语：知道自己在做什么，而不是蒙着头vibe coding

今天听哈利介绍vibe coding，以及氛围学院现在要做的事情，我个人感觉蛮兴奋的。

用AI时代的方式教AI时代的知识，我觉得是必要的。虽然AI现在好像让很多人觉得，去搞懂一件事情好像越来越不重要了，但我觉得完全相反。

因为写code这件事，它的抽象化程度变高了。反而作为一个想要打造系统的人来说，需要一些更核心的软体工程思维。透过这样的方式，其实更能够让你跳跃过去这些可能卡住你的事情，比如记一大堆代码，而真正把自己的产品做出来。

我过去也是买了很多线上课，也都没有把它看完。我很期待这次能够给我一些崭新的体验，互动性确实是蛮高的。

如果今天这集让你想要成为知道自己在做什么的人，而不只是一个蒙着头在vibe coding的人，哈利以及Google工程师Kai一起开的AI时代软体必修课，就在氛围学院上。他会从最不过时的软体工程基本功，一路带到你做出一个能够上架、能够收费的产品。

正所谓

代码由AI写就，工程思维不可丢。抽象层高需判断，通才时代立潮头。