用 AI 写出了代码,不代表你会写代码

但我看完之后的感觉完全不一样。不是佩服，是一种很奇怪的错位感——他做的那些事，规范流程、拆解需求、处理 AI 的各种故障、确保最终结果符合预期——这些就是工程师每天在做的事情。他只是不知道而已。

你做的就是程序员的活

我把他描述的那些操作翻译成工程师的语言，你听听看：

“规范技能规范流程”——这叫工程规范制定。每个正规团队都有代码规范、提交规范、Review 流程，做的事情一模一样。

“优化文档和记忆”——这叫上下文管理。资深工程师用 AI Coding 的时候，最花心思的就是怎么把项目规则写进 CLAUDE.md、怎么拆 session、怎么在上下文窗口溢出之前把关键信息存到文件里。

“拆解需求”——这叫需求分析和任务拆分。一个大功能拆成若干个边界清晰的小任务，每个小任务交给 AI 之前都要想清楚输入输出和边界条件。这是软件工程里最核心的技能之一。

“跟写代码无关，只要结果符合预期”——这句话是最有意思的。什么叫”结果符合预期”？你的交易系统跑通了 Demo，那它在并发 100 的时候还能跑吗？网络断了会丢数据吗？重启之后状态能恢复吗？半夜两点崩了谁来修？

他不是在”跟写代码无关”的环境里做出了产品。他是在一个他自己不知道的工程环境里，用 AI 代替了键盘，做了一整套工程师的工作。他觉得自己没有写代码，但他做的每一步都是写代码之外真正值钱的那部分。

这就引出一个更大的问题：到底什么是”写代码”？

“写代码”这三个字，被严重误解了

在公众的认知里，“写代码”约等于”在屏幕上敲英文字母”。所以当 AI 能替你敲这些字母的时候，结论就变成了”AI 会写代码了，程序员要失业了”。

这个认知错得离谱。

敲代码只是软件工程里最表层的那一环。就像砌砖只是盖房子最表层的那一环——真正决定房子能不能住人的，是地基、承重结构、水电管线、消防设计。你让一个不懂建筑的人去指挥施工队，他能说清楚的只有”我要一个房子”。至于地基多深、承重墙在哪、管线怎么走，他说不出来，因为他脑子里没有这个知识体系。

软件也是一样的。一个真实的产品从需求到上线，中间要经过需求分析、技术方案设计、数据模型设计、接口设计、编码实现、单元测试、集成测试、代码 Review、部署上线、监控告警、运维保障。编码实现这一步，在整个链条里大概占 20% 的时间。AI 能帮你把这 20% 加速，但剩下的 80% 它帮不了你。

而且更要命的是：那 80% 里的每一项，都需要你自己先具备判断力。你不知道什么是好的技术方案，你就没法判断 AI 给的方案靠不靠谱。你不知道什么是合理的数据模型，你就没法发现 AI 设计的表结构会在三个月后变成一团乱麻。你不知道什么是边界条件，你就没法告诉 AI 要去检查哪些异常路径。

操作 AI 的人脑子里有什么，决定了产出质量的上限。这个上限不会因为有了 AI 就自动提高。

还有一种更极端的观点，我觉得必须拿出来说说。有些人觉得自己不需要学数学、不需要学英语、不需要懂软件工程、不需要学计算机原理和数据结构——反正有 AI 嘛，有什么不会的问它就行了。用一个语言模型，就觉得自己能写代码了。

说难听点，这跟意淫没什么区别。

你让一个不懂数据结构的人用 AI 写一个需要处理百万级数据的系统，他写出来的东西大概率是一个能跑 Demo 但撑不住生产环境的玩具。他不知道什么是时间复杂度，所以他不会告诉 AI 要用哈希表而不是列表去做查找。他不知道什么是索引，所以他不会发现 AI 生成的查询语句在做全表扫描。他不知道什么是死锁，所以他不会检查 AI 写的并发代码有没有加锁顺序的问题。

这些东西，过去可能没那么重要——因为写代码本身就是一道门槛，不懂这些的人根本迈不过去。但现在不一样了。代码本身已经几乎免费了，AI 可以在几秒钟内生成几百行代码。当代码变得免费，那些过去被代码门槛挡住的东西——工程原理、计算机基础、数据结构和算法——反而变得无比珍贵。

因为代码是免费的，但这些东西不是免费的。

一个没有任何专业背景的人，用一个概率语言模型生成的代码，最多写写玩具。这话我说得很绝对，但我找不到更温和的表达方式。玩具和产品之间的距离，不是代码量的差距，是整个知识体系的差距。

吴恩达说的没错，但他只说了一半

前几天吴恩达发了一篇文章，标题很直接：AI 不会摧毁就业市场。下面是他的原文。

他用数据反驳”AI 导致大规模失业”的恐慌叙事——软件工程受 AI 冲击最大，但招聘依旧强劲。美国失业率维持在 4.3%，程序员没有被替代。他还说了一个词：AI jobpocalypse（AI 就业末日），说这种叙事在”制造不必要的恐惧”。

但他不只是摆数据。他分析了这种恐慌叙事为什么会流行，这段分析比数据本身更有价值。

他提到了三个利益相关方。

第一个是前沿 AI 实验室。他们有强烈的动机把 AI 说得越强大越好——如果一个技术能替代大量员工，那这个技术一定很值钱。所以他们愿意传播”AI 可能取代人类”“AI 可能导致灭绝”这类科幻叙事，因为这些叙事会推高估值。

第二个是 SaaS 软件公司。传统软件收每人每年 100 到 1000 美元，但如果一家 AI 公司能替代一个年薪 10 万美元的员工——或者让他们效率提升 50%——那收 1 万美元都显得便宜。把定价锚定在员工工资上，而不是软件行业的常规价格上，就能卖出高得多的价格。

第三个是裁员的企业。把裁员包装成”我们用 AI 提效了，所以不需要这么多人了”，比承认”疫情期间低利率环境下我们招多了人”要体面得多。AI 成了裁员最好的遮羞布。

吴恩达还做了一个类比：历史上社会给自己讲过很多没有事实基础的故事。对核安全的恐惧导致核电投资不足。1960 年代的”人口炸弹”恐慌导致一些国家实施了严苛的人口政策。对膳食脂肪的担忧让政府推广了几十年高糖饮食。每一个恐慌叙事都影响了数以亿计的人的决策，事后看来全是错的。

这个观察很准。但我觉得吴恩达只说了一半。

另一半是：AI 确实没有替代程序员，但它正在重新定义”程序员”这三个字的含义。

以前一个初级工程师，入门前两年干的活可能是写 CRUD、改样式、调接口。这些活 AI 现在确实能干，而且干得比人快。这意味着什么？意味着入门级的活正在被 AI 消化，初级工程师必须更快地往上升——学会设计、学会判断、学会为系统负责。否则你就是那个只会敲代码的人，而敲代码这件事，AI 确实已经很会了。

这才是真正的冲击。不是”程序员失业”，是”只会写代码的程序员会被淘汰”。区别在于：被淘汰的不是因为 AI 来了，是因为他们只做了那 20% 的表层工作，从来没有往深处走。

结果能跑，不等于产品能用

这里还有一个很多人忽略的问题：Demo 和产品之间的距离，比大多数人想象的要远得多。

一个交易系统的 Demo 能跑，意味着什么？意味着在理想条件下，输入正常数据，它能输出看起来正确的结果。这大概需要两三个小时就能搞定。

但一个交易系统能上线，意味着什么？意味着它要能处理网络延迟、数据不一致、并发冲突、用户误操作、服务器宕机、数据库主从切换。它要有日志、有监控、有告警、有回滚机制。它的代码要有人 Review、有人能看懂、有人能在半夜两点把它修好。

这两者之间的差距，不是 10 倍，是 100 倍。

我犯过一个错，特别能说明这个问题。有一次让 AI 帮我写一个数据迁移脚本，它写完了，本地测试全部通过。我直接上了生产环境。结果跑到一半挂了——原因是生产环境的数据量是本地测试的 200 倍，内存直接爆了。这个脚本没有做分批处理，因为它不知道生产环境的数据量，我也没告诉它。AI 给了我一个在特定条件下能跑的方案，而我误以为它是通用的。

这就是”结果能跑”和”产品能用”之间的区别。前者只需要在你的电脑上跑通一次，后者需要在任何情况下都跑得通。

他的交易系统，我猜大概率停留在 Demo 阶段。如果它真的已经在处理真金白银了，那他需要面对的就不只是”AI 会不会犯错”的问题，而是”AI 犯的错谁来兜底”的问题。一个没有技术背景的产品经理，面对生产环境的事故，他能做什么？打电话给 AI 吗？

有人可能会说：那如果 AI 继续进化，这些问题不就都解决了？上下文窗口会更大，代码质量会更高，理解能力会更强。

会的。但有一件事不会变：你得先知道什么是对的，才能判断 AI 给的是不是对的。这个能力不是 AI 能给你的，是你自己积累出来的。AI 可以帮你写出更高质量的代码，但它不能帮你判断这个代码该不该写、这个方案该不该用、这个功能该不该做。这些判断，每一个都需要你对这个领域有足够的理解。

我自己的体感是，AI 用得越多，越觉得自己的判断力重要。以前写代码的时候，大部分时间花在怎么实现上。现在 AI 帮我把怎么实现加速了，反而更多时间花在了该不该实现和这样实现对不对上。工具越强大，使用者的判断力就越值钱——这个趋势不会因为模型进化而改变。

真正危险的不是 AI，是误解

回到吴恩达的推。他说”AI 导致大规模失业”是不负责任的恐慌叙事，我同意。但我想补充一句：比恐慌更危险的，是误解。

误解有两层。

第一层是评论区那种：觉得自己用 AI 做出了东西，就等于自己会写代码了。这种误解的危险在于，它会让人在不该自信的地方自信。等产品真的上线、用户量上来、需要处理真实世界的复杂性的时候，他会发现 AI 帮不了他——因为他脑子里缺的不是代码，是整个工程体系的知识。

第二层是更广泛的公众认知：觉得 AI 已经能写代码了，所以程序员不重要了。这种误解的危险在于，它会影响决策。当老板觉得”AI 都能写代码了，为什么还需要这么多人”的时候，被砍掉的不是程序员的岗位，是产品质量的底线。

前两天还有一个更极端的例子。有人在网上说”以后软件就是日抛的，每天让 AI 重新写一遍，要什么版本管理”。底下一片叫好。我看到这条的时候，心里只有一句话：你试试用日抛的代码跑一个交易系统，看看你的钱还在不在。

版本管理、代码 Review、测试覆盖、部署流程——这些不是程序员矫情，是无数次线上事故之后总结出来的生存法则。你觉得它们多余，只能说明你没有经历过它们不存在的年代。

工具变了，本质没变

最后说回这件事。

我不觉得那位读者做的事情有问题。恰恰相反，他做的事情很好——一个产品经理能用 AI 搭出一套交易系统，这说明他有很强的学习能力和解决问题的能力。他做的那些规范流程、需求拆解、上下文管理，每一步都是对的。

我唯一不同意的，是那句”跟写代码无关”。

这不是跟写代码无关。这就是写代码。只不过”写代码”这三个字的含义，从来不只是敲键盘。

AI 改变的是敲键盘的那一步。它让一个不会写代码的人，也能通过自然语言驱动 AI 生成代码。这很了不起，但它没有改变剩下的一切——需求分析、架构设计、质量保障、生产运维。这些东西依然需要人来做，需要人来判断，需要人来负责。

吴恩达说得对，AI 没有导致大规模失业。但 AI 确实在做一件事：它正在把”会写代码”和”能做软件”之间的距离拉得更大了。以前这两件事的差距没有那么明显，因为敲代码本身就是一道门槛。现在门槛没了，很多人以为自己跨过了那道门槛就到达了终点。

没有。门槛后面是一整片旷野。

如果你是那样的人——有学习能力、愿意花时间去搞清楚工程体系里的每一个环节、不在乎自己算不算程序员这个标签——那你其实已经在旷野里走出路了。你只是不知道自己走的那条路，跟工程师走的是同一条。

但更多的人，是连门槛都还没摸到就觉得自己已经到了终点。不是说他们不行，是说他们得先承认自己不知道的东西还有很多。这个承认，比任何 AI 工具都重要。

AI 是你脚下的加速器，但方向盘还在你手里。如果你不知道要去哪里，加速器只会让你更快地迷路。