Software Engineering

一个做外包的朋友上个月跟我抱怨：客户现在拿 AI 写的代码来压价。「你们报 30 人月，客户自己用 Claude Code 一周出了个 demo，问你们凭什么值这个钱。」

我问他：那个 demo 上线了吗？

他说没有。客户自己人测了一周，测出一堆问题，又回来找他们修。

我说：那你应该换个报价方式。不报人月，报模具费。

他没听懂。这就是这篇文章要讲的事。

上个月帮一个制造业客户做 Agent 落地。他们的 IT 总监带了一个五人团队来接项目，清一色的 Java 后端，简历上写满了 Spring Boot 和微服务。

我让他们用 Coding Agent 开发一个采购审批 Agent。两个小时后，代码写完了。

然后空气安静了。

没有人知道接下来该干什么。ERP 怎么接？权限怎么配？审批流走错了怎么回滚？Agent 半夜跑飞了谁来兜底？Token 烧超了怎么控？

五个人面面相觑。代码不是问题。 问题是代码写完之后的所有事。

那一刻我意识到：AI 时代最稀缺的能力，不是写代码，而是 把一个 Agent 从 Demo 变成生产系统，再把它运营成一个靠谱的数字员工。

做这件事的人，我称之为 Agent 应用工程师。

上周 review 一个团队的代码。他们想做一个能自主修 bug 的 Agent，架构设计得很漂亮，模型选的也是最新的。但 Agent 跑起来后，改完代码就停了——它不知道怎么验证自己改得对不对。

我问他们：「测试覆盖率多少？」

「大概 30%，而且跑得慢，本地跑一次要 15 分钟。」

「日志呢？有结构化日志吗？」

「有，但格式不太统一，有时候打 JSON，有时候打纯文本。」

「Health Check 呢？」

「有个 /ping 接口，返回 200。」

我说：那你的 Agent 改完代码之后，怎么知道改对了？怎么知道部署上去没炸？怎么知道要不要回滚？

他想了想：「只能让人看一眼。」

我说：对，这就是问题所在——你的系统不是为 Agent 设计的，是为人设计的。 人可以用经验判断「这个改动应该没问题」，Agent 不行。Agent 只能依赖 可以调用、可以验证、可以反馈 的能力。

上周和一个做了十五年全栈的朋友吃饭。他最近从大厂出来，拿到两个 offer：一个是去创业公司做 Agent，一个是去传统企业做数字化。他选了后者，理由是「Agent 太新了，不确定性太大」。

我问他：你觉得做网站和做 App 有什么区别？

他想了想：「差不多，都是接需求、写代码、上线、迭代。」

我又问：那做 Agent 呢？

他说：「也是接需求、写代码、上线、迭代。只是交付物从页面变成了 Agent。」

他自己把答案说出来了，但没意识到这句话有多重要。

早上九点，我打开电脑，同时启动了三个 AI 任务：让 Claude 审查昨天提交的代码、让 Codex 生成单元测试、让另一个 Agent 整理技术方案文档。一个小时后，三件事都有了初步产出。

要是在两年前，这三件事需要一整个上午，甚至更久。

效率确实提高了。但我发现一个有意思的事情：当我放下 AI 产出物，开始做真正重要的决策——这个架构该不该拆、这个技术路线要不要换、这段代码的设计到底对不对——AI 完全帮不上忙。

这不是 AI 不够好的问题。这是工程效率的本质。

核心判断

我对 AI 时代工程效率的判断很简单：

本质上只有两件事发生了绝对的变化：

1. 代码编写耗时——AI 直接生成代码，写代码本身变快了
2. 单人任务从串行到并发——一个人可以同时跑多条线，像小团队一样运转

其他方面，还得靠人的品味。

2024 年，GitHub 上产生了 2560 亿行 代码，其中 41% 由 AI 生成。

这是一个惊人的数字，但更惊人的是未来 3 年的预测：随着 AI 编程工具渗透率从 50% 飙升至 90% 以上，全球代码总量预计将增长 4 到 10 倍。

面对这种指数级的生产力爆发，许多人的第一反应是恐慌：“程序员是不是要失业了？”

然而，经济学规律和历史经验告诉我们一个截然相反的结论：未来 3 年，从事软件行业的人数不仅不会减少，反而会迎来史无前例的增长。 软件行业正在经历一场从 “手工业” 到 “工业化” 的范式转移，而这场转移将吸纳海量的 “新从业者”。

2023 年，你需要写一个爬虫：requests 发请求 → 正则解析 HTML → 异常处理 + 重试，300 行代码，每行都是你写的。

2025 年，你告诉 Agent：「把某网站上最近 100 篇文章的标题和链接存到 CSV 里」，它自己写代码、调试、跑通、交付结果。

问题来了：到底哪一段代码是你「写」的？

这不是编程工具的升级，而是软件开发范式的根本性转移。Karpathy 在 2017 年提出「Software 2.0」时说：神经网络是程序员用数据写出的程序。但八年后的今天，2.0 已经不够用了——因为系统不再只是「被训练」，它们开始「自己决定怎么做」。

我把这个演进分为四个阶段：

二十年前，Steve McConnell 的《代码大全》(Code Complete 2nd) 以其近 900 页的体量，成为软件工程领域一座难以逾越的丰碑。二十年后，它依然是无数工程师书架上的必备经典。在一场深度的访谈中，McConnell 分享了这部巨著背后的故事、对职业发展的深刻洞见，以及对 AI 时代的冷静思考。

尽管技术浪潮已更迭数代，但 McConnell 的核心思想依然闪耀着永恒的光芒。我从中提炼出三大"启示"，它们穿越了语言和工具的变迁，直指软件开发的本质。而当我读完 Anthropic 刚刚发布的 The Complete Guide to Building Skills for Claude 时，我惊讶地发现：这份 AI 时代的"新代码大全"，正是 McConnell 理念的最佳实践者。

OpenClaw 一天发布了两个版本。消息传开后，有人兴奋地说"AI 时代人月神话终于被打破了"，也有人冷静地问"这真的算打破了吗？"

这个问题值得认真回答。因为它触及的不是某个产品的发布节奏，而是软件工程最根本的规律之一——加人到底能不能加速交付？ 在 AI Agent 成为新型"开发者"的今天，这条规律是否需要被重新审视？

软件工程师正在经历一场静悄悄的范式革命。过去，一个工程师要成为团队中的技术骨干，往往需要五到十年的摸爬滚打——踩过无数坑，读过海量源码，在生产环境的故障中积累经验。但现在，一个善于使用 Claude Code 的工程师，可以在几个月内走完别人多年的路。这不是夸张，而是正在发生的事实。