夜雨聆风
1. 程序员，正在从“码农”变成“舵手”
3 名工程师。 5 个月。 1500 个 PR。 100% AI 编写。 100 万行代码。
这不是科幻小说，而是 OpenAI 在 Harness Engineering 实践中交出的真实数据。
更夸张的是：研发效率提升了 90%。
很多人第一次看到这个数字时，本能反应是震惊。但真正值得警惕的，不是 AI 写代码越来越强，而是程序员这个职业，正在发生根本性的“角色迁移”。
过去，程序员像工厂里的熟练工人，一行行敲代码、修 Bug、写接口。
而现在，AI 正在接管“执行层”。 程序员的价值，开始从“亲自实现”，转向“设计系统”。
说得更直接一点：
未来最重要的能力，不再是“会不会写代码”，而是—— 你能不能控制一个自动写代码的系统。
这背后，其实是一门很老的学科：控制论（Cybernetics）。
2. Harness Engineering，本质上是控制论
OpenAI 提出的 Harness Engineering，可以简单理解成一句话：
人类负责掌舵，AI 负责执行。
在这个模式里，人不再亲自写代码，而是：
设计环境 定义目标 建立规则 构建反馈回路 校准 AI 行为
这其实已经不是传统意义上的“编程”了，而更像是在操控一个自动化系统。
控制论里有一个经典闭环：
[设定目标] → [感知偏差] → [施加干预] → [消除偏差]
而 AI 编程，本质上就是在做同一件事。
你给 AI 一个目标。 AI 开始生成代码。 系统检测偏差。 再把偏差反馈回去。 AI 继续修正。
整个过程，本质上就是一个持续“纠偏”的控制系统。
3. AI 编程真正的问题：不是生成，而是“收敛”
很多人误以为，AI 编程最大的难点是“生成能力”。
其实恰恰相反。
今天的大模型，已经足够会“生成”。
真正困难的是：
如何让它稳定地收敛到“正确答案”。
因为 AI 面对的不是一个结果，而是一个巨大的“可能性空间”。
这里有个经典案例，叫“12 球称重问题”。
12 个球里有 1 个异常球。 可能偏轻，也可能偏重。
所以系统初始状态下，一共有 24 种可能。
而天平每次称重，只有 3 种结果：
左边重 右边重 平衡
三次称重，总共能提供的“信息量”是：
3^3 = 27
因为 27 大于 24，所以问题可解。
这背后的本质是：
你的控制能力，必须大于系统复杂度。
AI 编程也是一样。
AI 可以生成无数种代码。 其中绝大多数，都是错的。
程序员真正的工作，就是不断压缩“错误可能性空间”，让系统最终收敛到正确状态。
所以未来的高级工程师，核心能力可能不是“写得快”，而是：
谁更会设计约束 谁更会建立反馈 谁更会控制复杂系统
4. 为什么“规则写得越多”，AI 反而越蠢？
这是很多团队正在踩的大坑。
很多人接入 AI 后，第一反应是：
“我要把所有规范全写进 AGENTS.md。”
结果往往是：
Prompt 越来越长 上下文越来越乱 AI 越来越跑偏 维护成本越来越高
OpenAI 给出的经验非常反直觉：
不要试图给 AI 一本“说明书”，而是给它一个“目录”。
真正高效的方法是“渐进式披露”。
也就是说：
核心规则文件尽量控制在 100 行以内 它只负责索引 需要时，再动态加载细节规则
因为大模型不是数据库。
上下文窗口是稀缺资源。
你塞进去的信息越多，重点反而越模糊。
所以优秀的 AI 工程，并不是“信息堆叠”，而是：
精准的信息调度。
5. 在 AI 世界里，“没写下来的东西”等于不存在
这是 AI Native 开发里最残酷的一件事。
AI 不懂“默认共识”。
它不知道你团队以前怎么做。 不知道你脑子里的经验。 不知道架构师口头说过什么。
它唯一能看到的，只有代码仓库。
所以未来的软件工程，会出现一个巨大变化：
一切隐性知识，都必须显性化。
包括：
架构原则 模块边界 设计决策 代码规范 业务约束
都必须沉淀成：
Markdown 规则文件 可执行计划 自动化校验
因为 AI 的代码生成速度太快了。
如果没有明确约束，错误会像病毒一样指数级扩散。
过去一个新人写歪代码，可能影响一个模块。
现在一个 AI 写歪代码，半天能污染整个仓库。
6. AI 编程最大的危险：系统会“自我繁殖”
这是很多人还没意识到的问题。
AI 最大的风险，并不是“不会写”。
而是：
它会复制错误。
一旦 AI 写出一个烂实现，后续生成时，它会不断参考、复用、扩散这个坏模式。
这其实非常像控制论里的“自繁殖系统”。
比如：
核裂变 癌细胞扩散 病毒传播
共同特点都是：
错误会指数级增长。
所以为什么 AI 时代，架构约束会重新变得极其重要。
过去很多人觉得：
“架构没那么重要，能跑就行。”
但在 AI 时代：
如果没有严格边界，AI 会迅速把系统拖向失控。
因此，未来的高级工程师，必须越来越重视：
分层设计 边界约束 领域建模 UML 时序图 用例规约
这些东西过去被嫌“文档味太重”。
但现在，它们反而变成了 AI 最容易理解的“高级语言”。
因为它们本质上是在压缩可能性空间。
7. AI 时代最重要的能力：不是写代码，而是“设计反馈回路”
还有一个越来越明显的问题：
AI 写代码太快了。
人类 Review 根本跟不上。
于是整个系统的瓶颈，从“开发速度”，变成了“验证速度”。
解决方案是什么？
不是增加人力。
而是建立自动反馈系统。
这其实就是控制论中的“反馈回路”。
未来优秀团队，会大量建设“AI 可观测系统”：
第一类：通用传感器
比如：
编译错误 测试结果 安全扫描 CI/CD 日志 性能指标
这些负责检测基础问题。
第二类：业务传感器
更关键。
它会把业务规则，转化成 AI 可验证的断言。
比如：
支付流程不能丢单 库存不能为负 风控规则不能绕过
这些才是真正的“业务护城河”。
未来最强的工程团队，不一定是代码写得最快的。
而是：
谁最会建立自动纠偏系统。
8. 程序员的核心价值，正在被重新定义
过去程序员的核心价值是：
“我能把功能实现出来。”
但未来，真正值钱的能力会变成：
定义什么是正确 判断哪里偏了 设计约束系统 建立反馈机制 控制复杂系统稳定运行
换句话说：
程序员正在从“执行者”，变成“控制者”。
你不再亲自划船。
你开始设计发动机、导航系统和自动驾驶仪。
这也是为什么：
未来最危险的人，不是最会写代码的人。
而是：
最会驾驭 AI 系统的人。
9. 结语：真正被淘汰的，不是程序员，而是“手工编码思维”
很多人还在争论：
“AI 会不会取代程序员？”
这个问题可能从一开始就问错了。
真正正在被淘汰的，不是程序员。
而是：
“手工编码”这件事本身。
就像蒸汽机出现后，被淘汰的不是“运输行业”，而是“人力划桨”。
软件工程并没有消失。
它只是正在从“体力劳动”，升级为“系统控制”。
所以未来最重要的问题，不是：
“你会不会写代码？”
而是：
当 AI 成为执行层后，你还能不能控制整个系统朝正确方向演化？
这，才是 AI 编程时代真正的分水岭。