AI时代,什么才算高质量工程AI能帮你把代码写得更快，这件事到今天已经没人再争论了。真正值得争论的是另一个问题：写得更快，是不是就等于做得更好？OpenCode 的联合创始人 Dax Raad 给出的答案很扫兴——大多数时候，并不是。在他看来，AI放大的是你原本的方向：方向对，它帮你跑得更远；方向错，它只是让你更快地把事情搞砸。Dax Raad 没读过计算机系，十几岁靠自己啃明白了写代码这件事。他做过 SST 这个被几万人使用的开发框架，还搞过一个只能用命令行 ssh terminal.shop 下单的咖啡订阅服务，第一年卖了十几万美元。2025年，他和几个人一起做了 OpenCode——一个开源、不绑定任何大模型、跑在终端里的AI编程智能体。就是这么一个天天和AI编程工具打交道的人，在2026年初发了一条帖子，被转发上万次，连主流科技媒体都跟进报道。他想戳破的，是当时弥漫在工程圈的一种乐观情绪：好像有了AI，团队的产能瓶颈一夜之间就消失了。他的原话大意是这样的——"大家都把自己的团队说得好像之前一直处在效率巅峰，唯一的瓶颈就是写代码的速度。可现实是：你的组织其实很少有好点子。'想法实现起来很贵'这件事，过去恰恰在帮你筛选——逼你只做最重要的事。大多数人没有拼命的理由，他们想做完朝九晚五的活就回家。现在只是用AI更省力地把任务'糊弄'完。团队里真正较真的那两个人，正在被所有人产出的'垃圾代码'淹没，他们快要辞职了。就算产出快了，你依然被流程、审批和上线一件真实产品的一堆现实卡着。"这条帖子背后，是他一个更大的判断。他在一场名为《AI改变不了任何事》的演讲里直言："就做出一个能赢的产品而言，AI什么都没改变。"因为做产品最难的部分——怎么让用户第一次就用懂、怎么留住他们、怎么把它推销出去——全是需要人的判断和品味的活，AI给不了。他说得很坦白："我受够了人们觉得形势忽然要逆转、一切都会变简单。并没有变简单，我的日子和过去一样难。但难的地方，恰恰也是所有乐趣和意义的来源。"这话听着像泼冷水，却恰恰是理解后面一切的前提。如果只用一句话概括 Raad 对AI的态度，那就是他在访谈里反复讲的那句："生产力的那种感觉是真的，生产力本身不是。"他举了一个很多人都有共鸣的例子：同时开着八个AI智能体，看它们一起跑，那种感觉太爽了——你觉得自己在做一件别人做不到的事。但他把这叫做"多任务里最阴险的地方"。真相往往是，用一个更快的模型把任务一件一件做完，比同时铺开一堆慢任务更高效。八个窗口一起转，转的是你的多巴胺，不是你的产出。他还给了一组扎心的对比。用AI之前，他95%的精力花在"想清楚要做什么"，5%花在"动手做"；用了AI之后，变成了96% 对 4%。也就是说，AI省下的那点动手时间，放在"想清楚做什么"这个根本难题面前，几乎可以忽略不计。真正的问题，是想清楚要做什么，而不是你能多快把它做出来。能力的瓶颈从来不在打字速度上——而AI解决的，恰恰是那个最不重要的环节。更值得警惕的是：大多数工程师从AI这里真正赚到的，是"省下来的时间"，而不是"更多的产出"——除非团队专门去重新设计激励机制。说白了，人们用AI更早下班了，而不是做出了更多东西。这本身没什么错，但千万别把它误当成生产力的飞跃。对自己诚实一点，这是用好AI的第一步。很多人有个错觉：反正代码是AI写的，质量好不好无所谓。Raad 的判断正好相反——正因为代码是AI写的，质量才更重要。AI会忠实地复制并放大代码库里的模式，好的坏的都一样原因不复杂。大模型靠模仿现有代码的模式来工作——包括你代码库里那些糟糕的模式。一段烂代码不只是它自己烂，它会"污染"AI后续的所有产出。AI会忠实地学习你的坏习惯，然后把它复制、放大到整个项目里。Raad 有个说法很到位：AI写代码，"消解了做错事的那点愧疚感"。以前你手写一段绕来绕去的烂逻辑，心里多少会不安，想着抽空重构；现在AI几秒钟生成一大片，你连看都不细看，技术债就这样悄无声息地堆起来。这也是为什么 OpenCode 这类工具特别看重一些"老派"的工程做法。那些被很多人嫌弃的"企业级"设计模式、强类型语言、严格的目录结构，在AI时代反而有了新价值——它们是给智能体用的护栏。举个具体的例子：OpenCode 原生集成了 LSP（语言服务器协议）。当AI改了一个函数名、不小心弄坏了别处的引用，它能立刻收到一条确定的报错，然后自己改回来。强类型语言之所以和AI配合得更好，也是同一个道理——确定的错误信息，等于直接告诉模型它到底搞坏了什么。结论很清楚：结构清晰的代码库配合AI的表现，会远远好过一团乱麻的代码库。在AI时代，整洁不再只是工程师的洁癖，它本身就是生产力。Raad 对AI的能力边界划得很清楚。他直说："我不信任它们的判断力、品味和分寸感。"不是它们做不到具体的活，而是当一件事关乎"好不好""对不对"的时候，他不会把决定权交出去。他的理由很实在："如果我本来就在往一个错误的方向推进，我的错误会被放大。"AI是个放大器，它放大你的速度，也放大你方向上的错误。一个对产品没有判断力的人用了AI，只会更快地做出一个没人要的产品。他特别点出一个被工程师集体低估的能力——产品感。他说得毫不客气："软件工程师真该反省一下，也许我们其实并不擅长做产品。"在他看来，这是一种看不见、但能随时间练出来的真功夫，而它恰恰是AI最学不来的部分。他建议的做法听起来很"慢"，却极其有效："在你真正动手之前，先等到你对问题有了清晰的认识——这样反而帮你省时间。"以及每次加功能前都该问自己的一句话："你愿意永远维护这个功能吗？"他观察到一个反常现象：好产品正在以前所未有的速度变烂。半年后再回去看一些曾经很好的产品，"问题不在于那些新功能不该存在，而在于它们摆放的位置不对了"。一口气塞进十倍的功能，结果就是一个缝合怪式的产品。这是 Raad 最反直觉、也最值钱的一条建议：问题没想清楚之前，别急着让AI开干。AI让"动手"变得几乎零成本，这恰恰是陷阱——它诱惑你跳过最该花时间的那一步。先把问题、边界、以及"这东西我愿不愿意长期维护"想明白，再写第一行代码。Raad 说，那些"老掉牙"的企业级规范，在团队里有新手、或者有需要强约束的智能体时，特别有用。给AI明确的类型、清晰的结构、自动化的检查（LSP、测试、lint），相当于给它装上护栏。约束不是束缚，而是让它跑得稳的前提。Raad 坦言，他不会逐行去读AI生成的每一段代码——"AI出现之前，也没人真的逐行读"。但他会根据这块代码有多关键、多稳定，来决定花多大力气审。判断"哪里该重点看"，本身就是工程师不可外包的核心能力。越是核心、越是难改的地方，越要亲自盯。想知道哪个模型适合你？别看排行榜，拿你自己真实的工作任务，在两三个模型上各跑一遍，比实际产出。Raad 自己评估模型，用的就是真实商业项目里的 pull request，而不是那些"你听都没听过"的 benchmark。最后一条最简单，也最难：对自己诚实。Raad 的原话是——"生产力的感觉，不等于真实的生产力，对自己诚实点。"每隔一段时间问问自己：我这周到底交付了什么有价值的东西，还是只是看起来很忙？Raad 讲过一句让不少工程师不太舒服、但又不得不承认的话："聪明的工程师，现在基本上是在搞占星术。"他指的是这两年AI圈弥漫的一种迷信。大模型是非确定性的，同样的提示词，今天好用、明天就不灵。工程师们观察到一些随机的好结果，就给自己偏爱的工具编出一整套"理论"来解释。Raad 说得很直白："这和那些信星座的人没什么两样，都是人之常情。"他甚至拿自己的产品开刀。常有人说"OpenCode 在某些场景下比 Claude Code 强多了"，但他坦白，OpenCode 的核心逻辑其实是逆向工程了 Claude Code、几乎一模一样重写的。所谓的巨大差异，很多时候只是非确定性带来的错觉罢了。破除迷信的办法只有一个：用你自己的真实场景去测，相信数据，不相信感觉。这话说起来朴素，但在一个人人都在凭"体感"吹捧或唱衰某个模型的环境里，能做到的人并不多。把 Raad 这一年的观点串起来，会发现他其实在反复说同一件事：AI是一个极其强大的放大器，但它放大的是你已经有的东西——你的判断、你的品味、你的代码质量、你做产品的功力。它不会凭空给你这些，只会让你已有的好与坏都来得更快、更猛。所以在一个人人都能让AI飞速产出的时代，真正稀缺的，反而是那些最古典的工程素养：想清楚再动手、对质量较真、对自己诚实、对结果保留独立判断。工具在变，这几条不会过时——它们才是AI时代真正的护城河。END
感谢阅读，如果觉得不错就帮忙点个赞和在看哈，欢迎点评
夜雨聆风
