被AI碾压而过的软件工程|AI编程一年整

——  01 · 亲历  ——

去年10月的时候，我第一次尝试使用AI完成整个需求的开发，然后就被震惊到了。

再早些时候，2025年年中，AI其实已经比较多地介入到了工作场景的UT编写，而且已经到达了比较准确的程度。25年10月的时候，当时有个小需求，刚好可以用AI实验下，使用的是Kimi K2，刚出来不久。需求并不复杂，排除UT后总共不到20行代码。复杂一点的问题是：这是一个从来没有接触过的代码仓库，另外，改动点很小，散落在大量代码中间——非常适合AI的场景。我给AI的提示词也很简单，让它整体看下代码仓库，定位到相似功能的模块，然后按需求修改相关逻辑。代码完成后，我让熟悉此模块的同学review了一下，代码完全无误，自己写也就能写成这样。全程从明确需求、确认仓库、写提示词、完成代码/UT、review代码，不过2个小时，而AI完成代码的时间实际不到30分钟。2025年初，DeepSeek R1发布，我写了句话“未来已来”，然而只有亲身体验过了，才知道依然还是低估了很多东西。今天再看，去年那时的场景，也只是玩具罢了。

一年后的今天

• 我个人在AI的资金投入上估计接近2w了，其中大部分是token开销
• 毛估估，过去一年合计的token消耗至少500亿
• 脑子里面想搞的东西，大大小小写了40多个，源代码约80w+行，各类html报告100w+行
• 多Agent的长任务是token开销大头，单次任务可以做到天级别，最长的跑了3天，30亿以上的token开销——这其实并不是程序的极限，是事情就这点复杂性了
• 因为非企业级软件，这些项目没有设计文档、没有架构设计、不看代码、不关心UT，只有开始的想法和最终的结果，中间过程全程AI自己处理，这么走下来好像也没什么问题
• 生产力是惊人的。很多事情如果手工去做，只是想想就放弃了，但结合AI就可以了：动动嘴，不费太多时间就落地了，至于好不好用那是另一个问题
• 我主要用Kimi+DeepSeek，算不上顶级模型，但已经很能打了。海外模型也折腾过一下，老出幺蛾子，放弃了，想体验通过中转站就可以
• 赞美梁神，DeepSeek真的是量大管饱还不差，几轮降价涨价后，目前1亿token差不多5~10元，可劲烧也花不了多少钱

——  02 · 崩塌  ——

去年vibe coding火的时候，自己还在感慨前端已死，没想到一年过去，整个程序开发早已变天，现在还有在人工编程的人吗？快没了吧。这才过去多久？最近又看到一个开源项目，直接使用AI从二进制逆向程序了。嗯，不是前端已死、测试已死、后端已死，是整个软件工程不存在了。我们可以试着畅想一下AI直接通过汇编写程序，还需要IDE吗？还需要编程语言吗？还需要编译器吗？

软件工程不存在了。数据结构、算法、设计模式、重构、性能优化、敏捷开发……很快，大家就会淡忘这些了吧。当AI接管了设计、开发、测试、部署、运维，人应该去关注什么？所有需要人决策的问题，都会面临一个挑战：为什么AI不行、人在决策什么东西、为什么这个决策AI不能直接判断？我发现在这些所有环节内，我都不见得能做得比AI更好，很多时候我选择的也是AI给我的推荐方案。沿着这条路下去，越来越多的事情势必会交给AI，而决策点会越来越少。

AI参与得越多，中间过程越黑盒，如何来保证最终产出的质量？这点应该是人在软件工程最后的倔强了。如果这点没问题了，其他也就不会有疑问了。从我目前自己只关注结果的实践来看，应该是可行的——其实就是与AI交互时的/goal，只是这个goal更明确、清晰、细化。方案也很清晰：为最终结果建立自动化的、可量化的、可观测、可测量的标准。这个标准可能是一堆数据、UI、交互等等，总之一个功能开发好，就应该有对应的这些验收基准。只要符合基准，AI在里面怎么搞都无所谓，反正最终应该是什么样子已经确认了。每次迭代保证原始基准无误，新功能追加新基准即可。这个基准的最后一步是需要人去确认的。但如果走到这一步，这人似乎就不应该是程序员了，而是需求的提出方，因为只有他自己才知道自己想要的是什么。当然，以上这个过程是脑补的理想情况，现实情况更可能是：在很长一段时间内，程序员变成了「AI运维员」。

AI自身的幻觉、准确性问题也一直是被人诟病的地方，特别在程序开发这类精密的事情上，很多人以此来强调人和某些关键设计的不可替代性。但我感觉，这些可能也不是问题了。一方面模型在升级，过去很多常见的幻觉问题已经没了；另一方面模型在变得便宜——既然便宜，那么大力就可以创造奇迹：跑一次可能有幻觉，那我跑10次呢？一个模型可能有问题，我为什么不能换一个模型再做一遍同样的事情？概率的问题，可以通过概率的方式去解决。一次成功的概率90%，多跑一次，交叉review后，不就到99%了嘛；如果还不行，再来一次嘛。我目前用的长任务框架，很多开销就是在重复交叉review。唯一有问题的还是模型自身的上限可能就到不了100%，跑1000次、10000次也到不了。但这个问题工程层面早有标准答案：我们追求次优解就好了。至于完美，那仅存在于理论，现实的容忍度其实是很高的。仔细想想，前面那个相同事情持续循环的过程（明确问题->解决问题->复盘问题->在已有的基础上提出新问题），这个方法论在计算机时代被叫做迭代，其中最关键的就是最后两步人扮演的角色，人成为了这个螺旋上升的关键。但在AI时代，最后这两个环节中的人的因素很大部分可以由AI取代了，因此这个迭代过程的效率被大大提速了，AI自闭环了。这种不断循环变得更好的过程，应该叫进化。

还有一种说法，说AI只能做做MVP，更细节的、更复杂的产品化的东西做不了。如果你熟悉计算机科学的模块化思想，就知道这个说法是不存在的：任何一个复杂模块，永远可以拆分为多个更小、更独立的模块，如果还复杂，那你可以继续拆解，直到拆得足够简单。这里是两个事情：一个是复杂模块的拆解，一个是单模块的实现——前者更是专家经验的体现。目前，这两个事情AI都可以做得挺好了。关键问题在哪儿呢？其实在需求陈述上：你想要一个你脑子里面所谓的复杂的东西，但你能否一次性把一个足够完整、细致的需求说明拿出来？做不到吧。所以所有产品都存在一个由小到大、由粗到细的迭代过程，这也是所有软件既有的发展过程。因此，你为什么会期待AI能一次把你自己都没想清楚的东西给你呢？事实上，AI在“脑补”这件事情上已经有很大突破了，那些你觉得惊艳的产出，就是AI帮你补齐了你没说的那些细节。所以这个问题不在AI，问题在人自己。

——  03 · AI Native  ——

以上，AI在软件工程这个事情上，应该没有什么瓶颈了，剩下的零零碎碎的问题只是时间问题，但这场变革又只是刚刚开始。AI只是证明了自己有能力去做这些事情，但整个软件工程的流程，还需要更彻底的重塑。现在都在说AI Native，什么是AI Native？今天的软件工程面临的AI冲击，虽然很多环节都AI化了，但更多是固有流程的AI化——这种形态，更像是刚进入汽车时代的马拉汽车。我觉得我们应该问一个问题：「假如从一开始就有AI了，整个事情应该是什么样子的？」这可能才是最终AI Native的形态。我也不知道是什么样，一切都还在发展，唯一能确定的就是：肯定不是现在的样子。

之前有个判断：AI时代，受益者有两类，一类是那些有想法、能创新、有闯劲、爱探索的年轻人；一类是那些有专业经验、愿意探索AI的资深人士。我现在的感觉，后者可能也不存在了——那些所谓「资深」的沉淀、那些你自认为通过过去经验积累下来的东西，在AI面前可能一文不值。举个例子：过去，你可能会为某个模块设计引入某种设计模式而思考如何架构；但是现在，你完全可以跟AI说“按照标准设计模式设计此模块，保证代码质量”即可。你并不需要清楚地知道那几十种设计模式如何实现，你只需要知道设计模式这个东西能解决什么问题就好了。AI拉平了深度的门槛：你更多只需要关注”这个东西能解决什么问题，而不是这个东西是怎么实现的“。恰当的提示词，加上有想法的头脑，差不多够了。只要愿意，你可以跨学科学习到任何东西。所以，最后应该只剩一类人了——无关年龄与积累，只要有想法、能创新、有闯劲、爱探索、敢想敢干，AI能帮他补齐很多短板。

——  04 · 屠龙刀  ——

AI现在已经很强了，会让人有一种无所不能的错觉，然而技术能力与现实需求之间仍有着巨大的鸿沟。可以脑补一个滑稽的场面：满大街的屠龙勇士拿着无比锋利的屠龙刀（AI），满世界找恶龙——勇士太多了，恶龙不够用了，哈哈哈。这就是现在AI热潮的写照：大家都知道这个很厉害，但是用武之地还没那么多。让子弹飞一会儿。现在AI入侵的行业还不够多，高频使用AI的人全世界也不到1%，随着AI再普及普及，会有爆发的时候的。由此也能看到，目前数学、软件领域的冲击只是打个样，我觉得未来没有哪个行业能独善其身。数学、软件开发领域容易被冲击，用计算机的术语来说，是因为这两个领域「高内聚、低耦合」，没有太多外部依赖（包括人、数据、环境等等），AI自己就可以闭环掉所有事情。但随着AI操控外部的能力越来越强，其他行业也大差不差。虽然很多报告给各行各业都排了个AI替代率，那些看似不可替代的，也没那么乐观。AI打开的是一个壁垒，壁垒之后一片坦途。这不是单点的技术突破，等各种基础研究结合AI再发展发展，何时替代，仅取决于ROI。这么看，算力依然是不够的，世界需要更便宜的、更好的算力，才足以让事情变得更准确，让各行各业都能用起来。AI在应用侧的爆发还需要时间，覆盖度还是不够。

AI是个大杀器，再普及普及，就是人手一个核武器的既视感。AI的上限取决于用的人的上限，但问题的另一面，则是用的人的下限。可以预见，现在匪夷所思的东西会层出不穷地出现，注定是一个更加混乱、割裂的未来。

——  05 · 代价  ——

我对AI带来的未来是悲观的。倒不是说技术不好、未来不美，只是这种巨大变革的代价，总是会有人去承担的。不知道这几千万计算机行业的从业者未来何去何从——我也是其中之一。同理，当自动驾驶普及后，那几千万网约车司机又该怎么办？谁能笃定自己所在的行业不会成为代价？有种说法，拿工业革命的技术创新来类比当前的AI变革，说新的职业、新的岗位会出来。逻辑没问题，但强度是一样的吗？影响面是一样的吗？我就想问问：软件工程也算积累了几十年了，然后在不到一年的时间里就面目全非了，你找个相似的历史出来？而且这种故事，相信会很快复制到其他行业。不过，最终时间会抚平一切，在未来的历史中留下一句话：2026年，编程开始由AI取代。

——  尾声  ——