AI 写代码,快不是唯一答案

一句话：AI Coding 的真正难题，不是“要不要用 AI”，而是团队能不能同时承受速度和熵增。

过去一年，AI 写代码的讨论经常被推到两个极端。

一边说：谁还不用 AI 写代码，谁就会被市场淘汰。

另一边说：代码生成得越快，系统越没人理解，最后只是把技术债变成组织债。

这两个判断看起来互相冲突，但更接近事实的是：它们可能同时成立。

速度派和怀疑派，都不是错的

Simon Willison 引用了 Charity Majors 的一段判断，里面最有价值的不是态度，而是对组织处境的描述。

速度派看到的是：AI 确实让一些团队出现了非线性的交付提升。原来要几天写完的脚手架、测试、迁移脚本，现在可能几个小时就能推到可运行状态。

在竞争激烈的产品环境里，坐等“技术成熟”并不总是稳健。有些窗口不会等人。

但怀疑派看到的也不是幻觉。

当代码产出速度超过工程师阅读、理解、复核的速度，团队就在透支一种很难补回来的资产：系统信任。

这种信任包括：

• 出问题时知道从哪里查；
• 新人接手时能看懂上下文；
• on-call 不是靠运气；
• 产品行为不会因为一段没人理解的生成代码而突然漂移。

AI Coding 的风险，不是“模型会写错代码”这么简单。真正的风险是系统复杂度被悄悄推高，但团队的理解能力没有同步提升。

最大的问题：两派之间没有天然反馈回路

这篇短文里最值得记住的一句话是：

速度派和怀疑派之间，没有天然的反馈回路。

这句话解释了很多团队里的争吵。

速度派通常拿结果说话：功能更快上线、PR 更多、demo 更漂亮。

怀疑派通常拿未来说话：可靠性下降、知识断层、维护成本上升。

一个看本周，一个看半年后。一个拿产出来证明，一个拿隐患来警告。两边都能找到证据，也都很难完全说服对方。

所以，问题不只是技术选型，而是组织设计。

如果团队没有把“速度收益”和“熵增成本”放到同一个仪表盘上，最后就会变成两种声音轮流占上风：

• 业务紧的时候，速度派赢；
• 系统炸的时候，怀疑派赢；
• 事故过去之后，又回到速度派赢。

这不是管理 AI，而是在被事故管理。

AI Coding 团队需要新的工程指标

如果要把争论变成机制，至少要补三类反馈。

1. 代码产出之后，谁来拥有理解？

AI 可以生成代码，但不能替团队拥有代码。

一个简单的原则是：凡是进入主干的 AI 生成代码，都必须有明确的人类 owner。这个 owner 不只是点了 merge，而是能解释：

• 这段代码解决什么问题；
• 它依赖哪些假设；
• 失败时应该怎么回滚；
• 哪些地方未来最可能变成维护点。

如果没人愿意拥有，那它就不该进入核心系统。

2. 交付速度要和可观测性一起提升

很多团队用 AI 加速开发，却没有同步加强日志、测试、监控和回滚。

这会造成一个危险组合：代码更快进入生产，但系统更难解释。

AI Coding 的成熟团队，不应该只问“这个功能写完了吗”，还应该问：

• 关键路径有没有自动化测试；
• 失败信号能不能被及时发现；
• 监控能不能指向具体责任边界；
• 回滚是否比上线更容易。

速度越快，观测和回滚越要成为默认配置。

3. 把怀疑派变成设计角色，而不是审批角色

很多组织把谨慎的人放在最后一道门：评审、审批、拦截。

这会让怀疑派天然变成“拖慢进度的人”。

更好的做法，是让他们更早参与设计：哪些模块适合 AI 快速生成，哪些模块必须保守；哪些地方可以接受粗糙原型，哪些地方需要先定义不变量。

怀疑不是反对速度，而是帮助速度不变成混乱。

一个实用判断：AI 越强，工程纪律越重要

很多人以为 AI 能力提升之后，工程纪律的重要性会下降。

现实可能相反。

当模型只能帮你写一点辅助代码时，错误通常局限在小范围。可当模型能重构模块、生成业务逻辑、调用工具、改配置、写测试、发起 PR，错误就开始进入组织系统。

这时，传统工程纪律会重新变得重要：代码审查、测试覆盖、架构边界、可观测性、权限控制、回滚机制。

不是因为 AI 不好用，而是因为它太好用了。

结尾：别在“拥抱”和“抵制”之间二选一

AI Coding 不会等到所有风险被解决才进入软件团队。

但团队也不能因为看见了速度，就假装熵增不存在。

更成熟的做法是：让速度派负责发现新能力，让怀疑派负责暴露系统成本，然后用清晰的反馈回路把两者绑在一起。

真正值得追求的不是“AI 写得更快”，而是团队在写得更快之后，仍然知道自己在维护什么。

参考资料：Simon Willison, “AI enthusiasts are in a race against time, AI skeptics are in a race against entropy”；Charity Majors 相关原文。原文链接：https://simonwillison.net/2026/Jun/4/ai-enthusiasts-ai-skeptics/^[1]

引用链接