关于 AI 与工程的流行说法令人欣慰:工具让每个人的水平都提升了,初级工程师能写出高级工程师水准的代码,竞技场被拉平了。这是个动听的故事。但它基本上说反了。AI 并没有缩小工程师之间的差距,而是拉大了它——因为它最看重的东西,恰恰是它无法给你的东西:关于你为什么要做这一切的判断力。
反转
我们所说的许多最佳实践,其实是对人类局限性的一种迁就。我们把函数写得短小,是因为一个人脑子里能装下的东西有限。我们坚持不重复自己,部分原因是手动在五个地方修改同一处逻辑正是 bug 的温床。我们把东西写下来,是因为人类的记忆是会丢失的。这些都是好规则——但它们是被"作为一个坐在键盘前的人"的成本所塑造的规则。
AI 改变了这些成本。当一个智能体能在几秒钟内读完整个代码库,原子性地在四十个文件中重构一个重复的模式,并且永远不会忘记任何东西的位置时,一些旧的约束就不再成立了。产生这条规则的经济学发生了反转,悄无声息地,一些规则也随之反转。不是所有规则都变了——但变的足够多,以至于"我们一直都是这么做的"不再是一个安全的默认答案。
推理的鸿沟
差距就在这里打开。两位工程师都知道"不要重复自己"这条规则。其中一位知道为什么:重复之所以危险,主要是因为当你修改一处副本却忘了改其他副本时,它们会逐渐失去同步;这条规则的本质其实是关于维护风险,而不是关于两段相似代码块的存在本身。另一位只知道这条规则。
把两人都放进一个 AI 能够瞬间可靠地找到并更新一个模式所有副本的世界里。第一位工程师能够推理这条规则在这里是否依然成立,以及重复现在是否比错误的抽象更划算。第二位只能背诵规则。当地面移动时,理解能让你重新推导出正确答案;死记硬背只会让你为一条理由已经蒸发的规则辩护。
这就是推理的鸿沟,而 AI 正在给它添柴加火。理解了权衡的工程师获得了力量倍增器。只记住结论的工程师获得的,是一个能更快、更自信地产出昨日答案的工具。
不只是效率更低——而是净负值
如果那位不达标的工程师只是效率较低,那还算不上大问题。更残酷的真相是,在一个快速变化的环境里,他们可能会给团队带来净负价值。他们诉诸传统来拖慢好的变更——"我们向来不是这么做的"——却说不出这个传统是否仍然成立。他们制造摩擦、凭反射审查代码,并把讨论锚定在早已不再有价值的规则上。代价不仅是他们没做的那部分工作,还有他们给身边所有正在思考的人拖后腿的那部分。
民主化的迷思
这正是"AI 让编程民主化"只说对了一半的原因。没错,可能性的门槛确实提高了:曾经完全无法交付的人,现在也能交付一些东西了。但判断力的价值提高得更快。AI 工具对那些本就知道自己在做什么的人最有价值,因为正是这些人能够分辨工具什么时候是对的、什么时候是自信地错了、以及情况何时已经变化到旧答案不再成立。一个放大你的工具,其价值上限就是被放大之物本身的价值。
没有新的常态
人的本能是等一切尘埃落定——学会新的最佳实践,然后安心地依赖它们。但能力进步得太快,根本等不到那一天。每隔几个月,某个曾经塑造我们工作方式的约束又会松动,又一批既有的智慧悄悄过期。没有一个稳定的新常态可供记忆。重要的不是你今天站在哪里,而是当地面再次移动时,你能多快重新推导出正确答案——而这是理解力的属性,不是你背下的那本规则手册的属性。
这也是坚持让人类牢牢留在决策回路中的理由所在,也是我们设计 TaskGoblin 的方式。智能体负责编写代码并对合并请求进行自查,但它从不批准、也从不合并——因为判断一项变更对这个系统、在此刻是否真正正确,恰恰是无法自动化的那部分。智能体提高的是产出物的下限。决定系统应该是什么样子,依然是你的职责,而且它的价值从未像现在这样高。
你站在哪里?
这里有一个你可以自测的方法。挑一项你遵循的实践——DRY、短小的函数、详尽的测试,随便哪一项。你能解释它最初是为了应对什么约束而产生的吗?你能诚实地说出,现在 AI 已经承担了部分工作,这个约束是否依然成立吗?如果可以,你会没事的;随着工具不断变化,你会持续重新推导出好答案。如果你能给出的唯一理由就是"这是规则",那就值得警惕了——因为门槛还在不断提高,而背诵规则与理解规则之间的距离,正是那条正在拉大的距离。
