代码生成正在被解决,软件工程还没有

第一件事，听起来很刺激。

Claude Code 的创造者 Boris Cherny 在一次访谈里说，自己 2026 年已经不怎么亲手写代码了。他现在更多是在手机上指挥一批 AI agent 干活：让它们写代码、修问题、处理代码合并、检查测试结果。换句话说，一个顶尖工程师的日常，正在从“自己敲代码”，变成“管理一群 AI 写代码”。

第二件事，听起来就冷静得多。

一篇叫 ProgramBench 的论文做了一个测试：不让 AI 只是补一小段代码，也不让它只修一个 bug，而是给它一个已经存在的软件和说明文档，让它从零开始重新做出一个功能一致的软件。结果很扎眼：测试了 9 个模型，没有一个模型真正完整做出来。

如果只看第一件事，很容易得出一个结论：编程快被 AI 解决了。

如果只看第二件事，又很容易得出另一个结论：AI 写代码也不过如此。

这两个结论都太快了。

我觉得真正值得看见的真相是：代码生成正在被解决，软件工程还没有。

会写代码，不等于会做软件

很多人把“写代码”和“做软件”混在一起。

这就像把“会砌砖”和“会盖房子”混在一起。

一个人砌砖很快，当然很有用。过去盖房子，砌砖慢，人工贵，进度容易卡住。现在突然来了一个速度极快的工人，你说这是不是巨大变化？当然是。

但房子能不能住，靠的不只是砌砖速度。

地基怎么打，承重墙在哪里，水电怎么走，消防怎么做，住进去十年以后会不会漏水，这些才决定房子是不是一栋真正可靠的房子。

AI 写代码也是这样。

让 AI 帮你写一个函数，补一段逻辑，修一个报错，它现在已经很强了。很多程序员今天的工作方式，确实已经被改变了。以前要花半小时查文档、写样板代码、调语法，现在几分钟就能完成。

但一个真正的软件，不是一堆代码片段拼起来就行。

很多边界情况，AI 可能比人想得还细。比如奇怪输入、异常分支、各种报错处理，只要你提醒到位，AI 经常能补得很快。

真正难的地方在判断：哪些边界最重要，系统结构该怎么留余地，以后需求变了怎么演化，出了问题应该从哪里定位，最后谁来承担这个系统可靠运行的责任。

这些判断，才是软件工程。

所以，当有人说“编程被解决了”，我们要先问一句：解决的是哪一层？

如果说的是“把清楚的需求变成代码”，这件事确实正在被 AI 快速解决。

如果说的是“把复杂问题做成长期可靠的软件系统”，现在还远远没有。

AI 最容易让人误判的一点

AI 编程最容易让人误判，因为它的第一眼效果太好了。

你给它一句话，它马上吐出一段代码。你再说报错了，它又马上改。界面能跑起来，结果也看着差不多。

这会给人一种错觉：软件开发好像没有那么难。

但真正做过工程的人都知道，很多问题不是第一天暴露的。

今天能跑，不代表明天好改。

一个功能能跑，不代表十个功能放在一起还能稳。

一个人在电脑上跑通，不代表换一个环境、换一组数据、换一个用户习惯还能对。

很多初学者写程序，常见问题是“跑出来了，但不知道为什么能跑”。更麻烦的是，一旦出错，他不知道该看哪里，也不知道是数据错了、逻辑错了，还是自己一开始就把问题理解错了。

AI 会把这个问题放大。

因为 AI 可以让一个人更快地得到“看起来能跑”的东西，也会让人更晚才发现自己其实没理解。

这才是我最担心的地方。

工具变强之后，人最容易偷懒的地方，其实是思考。

真正的门槛换地方了

过去学编程，最先卡住人的地方很具体。

环境装不上，语法记不住，括号少一个，变量名写错，报错信息看不懂。很多孩子刚开始学，就被这些细节消耗掉了兴趣。

AI 的出现，会把这些门槛大幅降低。

以后一个孩子想做一个小工具、小游戏、小网站，可能不需要从第一行代码开始硬敲。他可以先说清楚自己想做什么，让 AI 帮他搭出第一版。

这件事本身是好事。

我不认为应该把 AI 挡在学习之外。相反，未来的孩子如果完全不会用 AI，反而会吃亏。

但问题在于，旧门槛降低以后，新门槛会出现。

新门槛不在语法上，而在理解上。

你能不能把一个模糊想法说清楚？

你能不能把一个大问题拆成几个小问题？

你能不能判断 AI 给你的方案是不是绕远了？

你能不能设计几个测试，专门去找它可能犯错的地方？

你能不能在代码越来越多的时候，还看得懂这个系统的结构？

这些问题，比“会不会写某一行代码”更重要。

AI 降低了写代码的门槛，但提高了理解问题的要求。

这就是门槛移动。

编程教育不能只盯着代码量

这件事对孩子学编程有很直接的启发。

过去有些编程教育，很容易走向两个极端。

一个极端是只教语法。今天学循环，明天学数组，后天学函数。孩子会写一些题，但不一定知道这些东西到底解决什么问题。

另一个极端是只追项目效果。做一个小游戏，做一个网页，做一个看起来很酷的作品。孩子很兴奋，但作品背后的结构、逻辑、边界条件，他可能并没有真正理解。

AI 出现以后，这两个极端都会变得更明显。

如果只是语法，AI 很快就能补。

如果只是效果，AI 很快就能堆。

真正值得教的，是中间那层东西：孩子怎么把问题想清楚，怎么把结构搭起来，怎么验证结果，怎么知道自己真的懂了。

比如让孩子写一个排序程序，不要只问代码对不对，还要问：为什么要这样比较？数据特别多会怎样？如果有重复数据会怎样？如果输入是空的会怎样？

比如让孩子做一个小项目，不要只看界面好不好看，还要问：数据从哪里来？错误输入怎么办？以后想加功能，应该改哪里？

比如让孩子用 AI，不要只让它“帮我写代码”，而是让它先帮我拆任务，列出风险，给出测试样例，然后孩子自己判断哪一版更合理。

这样用 AI，孩子会从被动接受答案，转向主动指挥 AI。

这才是未来真正有价值的能力。

代码会便宜，判断会变贵

我不想把这个问题说得很玄。

一句话就够了：代码会越来越便宜，判断会越来越贵。

以后生成一段代码，可能就像今天生成一段文字一样普通。很多原来需要专业程序员才能做的小工具、小系统，会被更多行业里真正懂问题的人做出来。

但也正因为代码更容易生成，世界上会出现更多“看起来能用”的东西。

这时候，谁能判断一个东西是不是真的可靠，谁能判断一个方案是不是可维护，谁能判断一个系统以后会不会出大问题，谁就更有价值。

所以，Claude Code 的进展提醒我们：不要低估 AI 对编程的改变。

ProgramBench 的结果提醒我们：不要高估 AI 对工程的替代。

这两件事放在一起，真正的结论不是“编程没用了”，也不是“AI 不行”。

真正的结论是：写代码这件事正在被重新定价，软件工程这件事反而更重要了。

对孩子来说，未来值得学的不是“比 AI 更快地敲代码”。

那条路很窄。

未来值得学的是，怎么理解问题，怎么设计系统，怎么验证结果，怎么用工具放大自己的判断。

这才是 AI 时代的编程教育，应该抓住的真相。