
00
前言
打开电脑,把需求描述丢给编码智能体(Coding Agent),一杯咖啡的工夫,几百行结构清晰、甚至自带单元测试的代码已经躺在仓库里。
这大概是过去一年里很多软件工程师的真实日常。
兴奋过后,一个更尖锐的问题浮上来:当写代码变得像水电一样便宜、随手可得,软件工程师不可替代的价值还剩什么?
2026 年 9 月,James C. Davis 出版《The Software Engineering Handbook》,中文名:软件工程师手册,副标题是:判断与决策方法。
作者写道:就像蒸汽机替代体力、云计算让基础设施随取随用一样,生成式 AI 正在把代码实现变成一种廉价商品。未来常规编码工作会越来越多交给智能体,工程师真正面临的危机有两件事:学徒期的消失,和控制权的旁落。
全书 11 章,共 142 页,不是大部头,看完后我觉得不错,有不少启发,值得推荐,尤其是在大家都开始用 AI 开发的当下。
如果你正在技术转型期,或者在想团队该如何在 AI 浪潮下重建工程能力,这本书给出了一个可以参考的思考框架。
01
正在消失的学徒期

软件行业长期靠一种隐性的学徒制运转。
大学教会学生编程语言、数据结构、算法和设计模式,这些是关于工程的知识,不是工程师如何思考。
真正让人变成成熟工程师的,是进入职场后的头几年:写业务代码、修线上故障、补测试、做代码评审、重构旧系统。在这些琐碎实践里,新人逐渐分清了什么是关键细节、什么时候可以妥协、什么底线不能碰。
生成式 AI 接管了这批用来培养新人的常规工作。
作者在前言里提出一个叫入门阶梯问题的概念。以前学校可以放心把毛毛虫送到企业,让业界花几年时间把他们塑造成蝴蝶。现在组织把大量基础实现委托给 AI,应届生还没有机会亲手写代码积累判断力,就被要求指挥和审查机器生成的代码。
如果新人连判断机器产出是否靠谱的能力都没有,他们连踏上职业阶梯第一级台阶的价值都难以证明。
作者的原话是:行业不再有奢侈的时间慢慢孵化毛毛虫,它需要从一开始就能做出工程判断的蝴蝶。
这也是本书的写作起点。它是作者另一部理论著作 Model-Based Agentic Engineering(简称 MAGE)的实践伴侣。
全书的核心主张可以概括成一句:实现可以委托给能力越来越强的智能体(Agent),工程不能委托出去。
02
软件工程是受控变更,不是写代码

要理解为什么 AI 写代码越强、工程判断越贵,得先回到一个问题:软件是一种什么样的工程媒介?
土木工程师和混凝土、钢材打交道,芯片工程师和硅晶圆打交道,材料的物理特性决定了这门学科的规则。
而软件有点不一样,它有四个特质:
- 高度可变:不需要重新开模或造实体,改几行代码就能改变系统行为,可修订的窗口期极长。
- 复制成本极低:造出第一份软件很贵,复制第一百万份几乎不要钱。
- 可以跨载体迁移:软件行为不永久绑定在某台硬件上,通过接口和抽象可以在不同环境之间搬。
- 部署之后还能更新:桥梁通车后很难在空中换桥墩,软件上线后依然能注入新逻辑、修补漏洞。
因为这四个特质,现代社会把变化都塞进了软件里。汽车底盘出厂就定型,但动力响应、电池管理和辅助驾驶逻辑可以靠软件持续升级;工业机械的铁架子能用几十年,控制逻辑却随产品线不断迭代。
另一面是高杠杆带来的高风险。
可复制性和可更新性叠加起来,一个工程师的小改动,几分钟内就能同步到几百万台甚至几十亿台设备。它能把一个修复瞬间送达全球,也能用同样的效率把一个安全漏洞、一个错误假设或一场崩溃瞬间放大。
所以作者给软件工程下的定义是:受控变更的工程学科。
受控不等于阻止变更,也不等于事必躬亲敲出每一行代码。工程的本质是在享受软件灵活性的同时,对真正要紧的系统属性和现实后果保持知情控制,并为结果承担责任。
从汇编到高级语言,从开源生态到云平台,再到今天的生成式 AI,技术演进的规律没有变过:每当一项技术把某种昂贵的能力变成廉价大宗商品,工程不会消失,瓶颈会向上游移动。
写代码不再是瓶颈之后,决定造什么、划定什么不能变、判断结果可不可信、出事时敢不敢叫停,就成了整个工程体系里最核心也最昂贵的部分。
为了把这种隐性直觉变成显性的思考习惯,全书每一章都贯彻同一条链路:
模型(Model) → 性质(Property) → 观测(Observation) → 证据(Evidence) → 判断(Judgment)
工程决策始于你对系统或团队建立的心智模型,模型推导出你关心的性质与预期,你在现实中设置观测点收集数据,数据只有在模型的解释下才能变成支持决策的证据,最后你基于证据做权衡和判断。
作者顺带提醒:
所有指标本身都是一个不完整的模型。延迟、内存相对容易观测,可维护性、团队健康度、交付价值很难用单一数字代表。
一旦某个指标变成考核目标,人和系统就会开始针对指标刷数据,而不是改善背后的真实性质,这就是 Goodhart 定律。
度量的用处是把模型与现实之间的偏差尽早暴露出来,它替代不了思考。
03
智能体成为同事之后:流程、团队与记忆

理清本质之后,作者用第二、三、四章搭建了工程运转的三个基础:流程、团队和组织记忆。这三章回答的正是今天技术管理者最头疼的几个问题。
1. 用三个维度选流程,别争论瀑布还是敏捷
很多团队把瀑布开发和敏捷迭代当成水火不容的教条,甚至当成信仰之争。在作者看来,这两种做法只是把同一批工程活动切成不同的块:计划驱动按工程阶段切分工作,增量开发按产品切片切分工作,二者可以混用。
决定一个项目用哪种流程的,是三个工程维度的位置,不是行业流行什么。
- 确定性:动手建造之前,你能知道多少关键信息。像飞机航电系统那样,核心约束和接口在开工前就明确,前期规划价值极高。
- 可变性:改主意要花多少钱。改一个页面文案或局部参数,花三天分析不如花二十分钟改掉;改一个被几百家外部系统调用的公共接口,或者一个已经存了十亿条记录的底层表结构,事先想清楚远比事后推翻划算。决定是否提前决策的因素是推翻决定的成本,不是做决定的成本。
- 可分解性:做一半的系统有没有意义。这里有两个门槛,可验证和可用。半成品还不能上线赚钱,只要能放进真实环境测试、暴露假设错误,增量开发就值回票价;如果切片还能直接给用户带来价值,迭代收益更大。
有意思的是,书里特意把“失败的后果有多严重”从这三个维度里拿掉了。高风险系统照样可以高度迭代,低风险系统也可以做严谨规划。失败后果决定的是交付前需要多强的证据,不是怎么组织工作。
而且工程师不是被动接受这三个维度,可以主动投资改变它们:用原型提高确定性,用模块化降低修改成本,用垂直切片提升可分解性。
2. 人类不可替代,AI 带来了可替代的智能
加人能不能让项目变快?书里用组合数学给出答案:5 个人的团队有 10 对沟通路径,15 个人就有 105 对。团队买到的是突破单人时间与认知极限的能力,付出的是协调成本。
优秀的团队能力是一种涌现出来的属性,它依赖三个脆弱的支柱:共享上下文、彼此信任、清晰的协调机制。
高明的管理者不会试图消灭所有沟通,人交流的时候不仅在同步进度,还在传递隐性知识、做师徒带教。真正该消灭的是那些只为打听进度状态的无效消耗。
这一章最有前瞻性的部分,是对管理学模型的改写。
传统组织里人是不可替代的。两个职级相同的工程师,一个熟悉历史遗留系统的坑,一个深谙客户业务流。把数据库难题永远派给最快的那个专家,短期效率最高,却会造成危险的单点依赖,还可能把专家逼到离职,同时剥夺其他人成长的机会。传统管理的核心矛盾就在这里:派活既产出当前产品,也在重塑组织未来的能力分布。
生成式 AI 第一次给工程组织引入了可替代的大宗智能。模型能力可以按需购买、并行复制、随时升级替换,组织不需要招聘、培养或挽留一个模型的实例。
这会把工程管理推到一个两难的地方。一个任务单独派给智能体最省钱最快,让初级工程师自己做能攒经验,初级工程师带智能体做可能加速学习,也可能让新人变成不理解推理过程的旁观者。管理者该怎么选?
如果组织一味用 AI 替代初级岗位去追短期利润,未来谁来长成能审查 AI 产出的资深专家?
作者同时指出,有能力做决策和被授权做决策是两回事。就算未来智能体在技术上能写出完美的绩效评估或架构裁决,组织依然需要人类的权威来平衡利益冲突、承担最终责任。而且 AI 放大了单兵作战半径,如果团队底层的评审、集成和上下文同步跟不上,单兵的高产出只会把瓶颈甩给下游,把本来就不好的协作系统压垮。
3. 组织记忆:别让 AI 在过时文档上自信地胡说
人会忘事,专家会跳槽,系统天天在变。工程组织需要工程记忆。但把所有聊天记录、会议纪要和临时脚本都存下来,只会造出一个信息垃圾场。
一条知识值不值得沉淀,书里给了一个好用的判断标准:**未来工程师重新发现它的成本,会不会高到让他们后悔?**一次性的迁移脚本忘了就忘了;一个看起来奇怪的安全校验为什么存在,忘了可能酿成大祸。
更敏锐的洞察是关于知识载体的:所有文档、架构图和记录都是历史条件下的证据,不是当下的现实,记录本身也从来不中立。
书写者有视角盲区,工期估计可能受绩效激励扭曲,事后总结会把原本混乱的决策过程写得条理分明。2023 年画的支付服务架构图,到 2026 年早已被队列和风控服务改得面目全非。它依然能解释当年接口为什么长那样,却证明不了今天的系统没有耦合。
这在 AI 时代尤其致命。大语言模型和知识图谱把检索历史资料的成本压得很低,但作者警告说:如果底层的工程记录本身已经过时、互相矛盾或权威不明,AI 只会用极低的成本、流畅而自信地给出错误答案。
所以知识管理要走完一个生命周期:观察 → 解释 → 表征 → 使用 → 重新评估。过时的记录不必删除,它保留了历史演进的原因,但必须标明已失效。
那些反复被踩到的坑、反复被问起的高频经验,应该顺着成本收益比不断升级:从口头沟通变成文档,从文档变成团队规范,最终固化成代码库里的共享抽象或流水线上的静态检查,让后来的工程师和智能体不靠记性也能避坑。
04
工程判断的四道关卡

前四章搭好了舞台,第五到第八章是全书最实操的部分:从需求、规约、架构到设计,工程师如何一步步收缩不确定性,把系统安全地交到实现者手里。
关卡一:需求,AI 五分钟能写完,为什么还要两周
很多非技术背景的老板今天会问:智能体生成代码只要五分钟,这个功能为什么还说成本高?
第五章的回答是:发现什么有价值,和决定我们能负责任地承诺什么,是两件事。
需求工程师不是记笔记的速记员。用户只能用自己见过的老工具描述想象中的方案,不同的利益相关方各执一词,运维监控、合规审计、老系统兼容这些隐性约束没人主动提。
你可以通过访谈去问,去一线观察,找竞品对比,也可以利用软件的低成本优势直接搭原型让用户挑毛病,因为人更擅长挑现成东西的毛病,而不是凭空写出一份完美说明书。不过要记住,原型是购买信息的工具,它不等于正式规约。
候选需求得到后,真正的决策才开始。面对一个需求,工程师有四个平等的合法选项:接受、修改以降低风险、暂缓并继续调研、直接拒绝。只有被正式接受的需求才叫需求,因为组织要为它背上长期债务。
这笔债务里,编码只占很小一块。真正昂贵的是后续的设计对齐、系统集成、安全审计、验证证据、运维监控,以及未来每一次变更时小心别弄坏它的持续成本。
作者还特意区分了四个容易混淆的词:预测工期不是预算,预算不是业务目标,目标也不是工程承诺。把乐观的预测直接当成死命令,是很多项目灾难的起点。
关卡二:规约,划清世界假设与机器保证的边界
需求说的是世界里要发生什么好事,比如在用户生病影响工作前发出睡眠预警。这句话离能写代码还差很远。怎么算异常?提前多久算及时?数据缺失怎么办?
第六章借用 Zave 与 Jackson 的经典公式:E ∧ S => R。环境假设 E 成立,并且机器规约 S 被满足,世界需求 R 才能达成。
这里有一个常被忽视的真相:复杂性不会凭空消失,它只会被分配。以穿戴式睡眠监测产品为例,如果环境假设是用户每晚都会戴好且电量充足,机器只要负责算数据、发提醒;如果发现用户总忘充电,软件就得接管电量监测、低电提醒和缺失数据补偿。所谓加个小功能,往往是把原本由人或环境承担的责任转移给了机器。
更关键的是约束的艺术。一份糟糕的规约要么管得太死,比如过早指定内部数据结构,把以后便宜的改动变成昂贵的承诺;要么留白太多,让底层实现者甚至 AI 去瞎猜。作者把规约里没写明的部分拆成三种状态:
- 未知:还没搞懂哪种方案后果更好,需要做实验去学,不能拍脑袋写死。
- 隐含:大家心里默认肯定不能这样,纸面上没写。检测它的最好信号,是成品出来后业务方脱口而出的那句“不是这样的”。
- 真正的自由度:几种实现方案对关键结果都无害,这是刻意留给下游实现者或智能体的空间。
好的规约不在于写得长写得细,而在于把工程注意力投向那些后果重大且依然不确定的地方。该约束的写死,该留白的放开,不懂的立刻去买信息。
关卡三:架构,分配耦合,隔离风险
规约划定了可接受的候选系统集合,第七章的架构要从中挑出一种具体的组织方式,让性能、隐私、成本、易修改这些互相冲突的目标在同一个系统里共存。
作者说得直接:架构不是画框图和箭头,框图只有能回答工程问题才有价值。架构消灭不了耦合,它只决定把耦合放在哪里。
划边界时要反复追问:哪些东西应该一起改、一起挂、一起扩容、一起保持强一致、一起受权限保护,或者由同一个团队拥有。边界的黄金法则是让预期中的变化和交互容易发生,让不希望发生的扩散难以发生。
架构还和康威定律连在一起,技术边界往往是团队沟通的边界。
一个划得好的边界,能把认知负担、变更影响、功能复用和故障传播都限制在局部。系统极其复杂的时候,架构还能起兜底作用:就算没法证明某个组件绝不出错,只要用进程隔离、权限边界、超时熔断和资源配额把它圈住,一个难以穷尽的验证问题就变成了一个可控的后果边界问题。
至于在几个备选架构里怎么决策,书里给了七步法。先按硬约束淘汰不可行方案,再淘汰被全面压制的劣势方案;对剩下的方案直接摊开核心权衡,比如牺牲一致性换可用性;如果某个未知数足以颠覆选择,就花小钱建原型或做压测去买证据;最后由人做选择并承担责任。
作者同时提醒:
架构属性是组件交互的整体表现,别只盯着单个服务的健康看板,每个微服务延迟都达标,拼在一起照样可能超时。
如果版本记录里两个号称解耦的模块总是出现在同一次提交里,那就是架构失灵的确凿证据。
关卡四:设计,局部小聪明如何毁掉整套架构
如果把架构师比作决定承重墙位置和管井空间的建筑师,第八章的设计就是拿着这些既定条件去算管径、选材质、定水泵的水暖工程师。
设计面对的每个关键自由度只有三种动作:
- 遵循:沿用组织既定的框架、日志、重试等通用规范,不重复造轮子。
- 选择:在局部权衡出最优机制,比如用流式处理把内存压在云主机 4 GB 价格红线以下,而不是直接加载耗费 6 GB 让成本翻倍。
- 向上升级:当局部怎么做都满足不了需求时用,最考验工程担当。
作者举了一个例子。架构规定组件 A 必须通过端口调用组件 B,以便将来随时换掉 B。某位工程师图省事,让 A 直接穿透内部去读 B 的数据。功能上线了,单元测试全绿,真正的灾难是认知失效:团队和文档里的架构模型变成了假话。以后有人基于“换掉 B 不影响 A”的信任做决策,就会掉进坑里。凡是撞破边界的问题,都必须上报到工程环境、架构甚至规约层面,要么修正规则,要么把例外显性化。
AI 时代实现成本暴跌,改变了设计与实现的关系。以前我们靠纸面推演设计,现在可以让 AI 快速实现两套不同机制当低成本探针,直接压测看真实内存和延迟,用完即弃,只保留提炼出的结论。
高速度迭代还会产生时间压缩效应:以前三个月发生一次、被当成孤立 Bug 修掉的故障,现在几天内密集爆发,反而更容易暴露它们共享的同一个结构性问题。代价是代码变更和报错大量涌来,人的注意力成了系统里最稀缺的资源。
这一章结尾,作者回顾了 90 年代的软件外包,以及 2024 年德勤的调研(70% 的受访高管在过去五年把部分外包业务收回内部)。历史早就证明,把设计和实现拆开之所以经常翻车,是因为上游没有收紧关键自由度,也没有建立验证实现是否符合设计的机制。
今天的编码智能体(Coding Agent)重演了这一幕:把重要设计决策留白给智能体,它很擅长写出局部合理、放到全局就错的代码。设计推理必须以设计文档或模型的形式留存下来接受审查,不能让它消失在智能体生成的代码堆里。
05
验证的证据哲学

软件写完能不能发布?第九章验证要回答的问题是:我们手里握着什么样的证据,才配把这套系统放进真实世界?这跟怎么写测试关系不大。
作者先破了两层误解。
第一,在允许试错的低风险消费领域,快速迭代、在真实使用中学习确实是理性策略;但软件的可更新性只能修复软件本身,修不了它已经造成的现实伤害。钱已经转错,隐私已经泄露,医疗剂量已经打偏,补丁发得再快也没法让时间倒流。
第二,工程师承担的是公共责任,跟听雇主指挥的普通雇员不同。面对交付决定有三方角色:后果决定赌注有多大,业务方决定愿意承受多少风险,工程师独立裁决现有的证据支不支持自己在那张发布单上签字。真正成熟的职业素养,既包括不在低风险工具上过度工程化浪费半年,也包括在关键风险缺乏证据时敢对老板或客户说不。
基于这些,本书重塑了测试的 V 字模型。左半边是从需求到机制越来越具体的工程模型,右半边是对应层级的证据。核心原则是:必须在性质实际存在的那个层级上收集证据。单个组件各自通过单元测试,完全证明不了它们串起来之后的端到端延迟、并发幂等性或权限闭环。
接下来是对 AI 时代测试幻觉的批评。验证系统有五类工具:人工评审、动态测试、静态分析与模型检验、量化实验、线上观测。也有几类策略:基于示例、基于性质(比如蜕变关系)、差分测试、模糊测试。
不管工具多花哨,评估一组证据强弱要看七个维度:覆盖度、检出能力、场景代表性、作用域、独立性、前提假设、残余不确定性。
很多团队迷信测试数量和代码覆盖率。作者用变异测试戳破了这层窗户纸:一行代码被执行一百遍,如果断言形同虚设,你故意把大小于号改反它都发现不了。到达了现场,不代表发现得了犯罪。
在概率模型下,每个测试有 1% 的概率独立抓住某个 Bug,5 个测试全漏掉的概率是 95.1%,5000 个测试全漏掉的概率几乎为零。这个置信度飞跃有一个死前提:测试之间必须相互独立。
而现在 AI 可以根据同一份对需求的误解,一口气生成业务代码和 5000 个全绿的测试。这些测试行覆盖率很高,实际上共享着同一个错误前提或同一个有缺陷的断言,5000 次全绿加起来的独立证据强度依然是零。
同时,人类视觉与注意力研究早就证明,人在漫长枯燥的监控里极易漏掉罕见异常,靠肉眼当海量 AI 代码的质检员走不通。
那面对永远无法消除的残余不确定性,工程师靠什么兜底?作者给了一组二元工具箱:
- 连续的定量指标(延迟、内存)靠余量。要求 500 毫秒以内,跑到 499 毫秒和跑到 420 毫秒都算达标,但前者在真实流量波动面前没有抗风险余地。
- 离散的逻辑状态靠隔离。软件不像钢铁会先弯曲再断裂,它往往因为一个边界条件或未探索分支瞬间跳进灾难状态。靠近正确没有意义,覆盖率再高也无法保证没覆盖到的分支是安全的。这时只能靠架构隔离、权限收紧、超时熔断、灰度发布和快速回滚,把未知故障的爆炸半径锁死。
最后,上线不是验证的终点。世界会变,当年成立的环境假设会悄悄过期。产品上线前因为认知不足而冒险,那是合理的工程权衡;产品运行后已经积累了大量造成伤害的真实证据,团队却因为当年通过了审核而装看不见、拒绝修改,那是工程失职。
06
R&D 赌注与失败学

最后两章把视角拉到工程师生涯的最高处:如何挑战未知的边界,以及如何在不可避免的失败中完成进化。
1. AI 压缩了苦力,逼出真正的新思想
很多书把研发放在最前面,作者偏偏放在第十章。只有懂了前面所有的工程约束,才看得懂什么叫真正的突破。研发的本质是在高度不确定的机会里投入稀缺精力,去赌一个非对称的回报:失败损失有限,成功可以改写可能性边界。
怎么判断一个技术难题值不值得投研发?作者用亚里士多德的区分,把限制分成本质限制和偶然限制,并给了一个接地气的苦力测试。
如果一个系统现在很慢、不支持某格式或者接口难用,先想象一下:把这套系统和问题交给两个称职的初级工程师干六个月,不改核心理论,只靠优化代码、换库、加索引和补逻辑,能不能把限制消掉?能,这就是偶然限制,它是工程任务,不是研发突破。只有当所有忠实遵循旧思路的实现都绕不开那堵墙,它才是本质限制,才真正需要改变底层假设、表征或算法的新思想。
在 AI 时代这个测试变得残酷:过去两个初级工程师干半年的活,现在一个小团队带着智能体几天或几周就能推平。单纯堆工程工作量就能解决的问题越来越便宜,靠工程苦力换来的渐进改进越来越难被包装成重大突破。
想做出跃迁式成果,研发必须让问题、本质限制、新思想和对应证据四环紧扣,甚至在做实验前就定好止损条件,把每一次证伪也算成高价值的认知收益。作者给研究者的建议很朴素:在你有能力推进的范围内,选那个最难也最重要的问题。
2. 面向失败的工程:把整本手册倒过来读
第十一章开篇引用了一句工程史名言:失败是工程的核心。模型总是不完整,证据总是有限,优秀的团队也会在没有做错任何事的情况下遭遇事故。
但经验不会自动变成判断力,时间流逝也不等于专业成长。真正的职业反思(借鉴 Donald Schön 的反思实践理论),是在行动后果和最初预期之间建立连接,把教训沉进自己的直觉里,让你将来面对一个长得完全不一样的新系统时,能嗅出里面熟悉的危险结构。
线上事故爆发时,平庸的团队忙着修好代码、写个复现当时参数的回归测试、找出最后敲命令的人背锅。成熟的团队会做三件事:
- 区分执行失误与认知错误。借鉴 Donald Norman 的理论,手滑改错一行配置叫失误,解法是改界面、加防呆校验;自以为安全地改对了配置却引发崩溃叫认知错误,这时候喊十遍“以后要小心”没用,必须修正工程师脑子里的系统模型。
- 用瑞士奶酪模型看系统防御,并在复盘里写两份账。事故几乎从不只有一个根因,它是代码缺陷、测试盲区、隔离失效、监控漏报几层漏洞刚好对齐的结果。好的无指责复盘既要记录因果叙事,也就是怎么一步步坏掉的,更要写清反思叙事:出事之前,是什么样的模型和证据,让一群聪明人一致相信这个系统是安全的?
- 把整本手册倒过来走一遍。平时做工程是需求 → 规约 → 架构 → 设计 → 实现 → 验证 → 真实世界,出事之后倒过来追问:是指标本身骗了我们吗?比如负载均衡器没看到上游丢包,监控一路绿灯,系统却早已瘫痪。是验证的作用域或独立性错了?是实现偏离了设计,还是设计选错了机制?是架构没隔离住共享资源?是规约对真实世界的假设本来就错?还是从最开始,需求就遗漏了真正重要的群体和后果?
一轮逆向追溯之后,一个高价值的教训不能只留在救火英雄的脑子里,它应该顺着层次沉到三个地方:
- 系统里,把“加一条死板的回归测试”升级成改接口、加约束或加自动化卡点,防住这一类错误;
- 团队里,写成后人能找到、能读懂底层关系的复盘,别在同类事故反复发生时还把它们当成孤立事件;
- 工程师心里,提炼出恰当的抽象度,太窄只认得原样故障,太宽就变成没用的口号。
07
结语:AI 越强,判断越值钱

读完这本书你会发现,它没教你任何一门新语言的语法,也没吹嘘某个一劳永逸的框架。
今天很多程序员焦虑自己会不会被智能体取代。这本书给的答案是:未来的软件工程不是人与机器比谁写代码更快、语法更熟的赛场。
把实现委托给 AI,自己却对需求边界、系统耦合、证据独立性和失败后果一无所知的人,迟早会被波浪拍在沙滩上;真正掌握了软件媒介规律、懂得把关键约束显性化、懂得用架构兜底不确定性、敢于在证据不足时踩刹车的工程师,能借助智能体的算力获得前所未有的杠杆。
书里期待的是这样一群人:他们把实现委托出去,同时握着工程控制权和最终判断力。
如果这篇梳理帮你看清了一点方向,欢迎转发给身边的技术朋友和团队管理者,也欢迎在评论区聊聊你日常开发里哪些判断已经很难交给 AI 代劳。
[全文完]
如果你对 AI 时代如何学习与创造 感兴趣
添加下方微信,咨询课程