文章认为编程代码不会消亡，因为英语等自然语言虽然直观，但本质上不够精确。编程和写作一样需要反复打磨，而AI能将英语转化为可运行代码，帮助人们逐步精确表达需求。"氛围编程"这一说法恰当地描述了人们仍倾向于用英语表达想法的现状。

关于"代码已死"的报道言过其实

自然语言与代码精确性的矛盾

文章开篇引用了一幅漫画，生动展现了自然语言规范与代码实现之间的鸿沟：英语规范看似精确，直到实际编码时才会发现其模糊性。正如伯特兰·罗素所言："在你尝试使其精确之前，你不会意识到一切事物都是模糊的。"

编程如同写作，是一个通过反复迭代来不断精确化的过程。AI辅助编程（"氛围编码"）让开发者可以用自然语言描述需求，AI将其转化为可运行代码，开发者再通过反馈（如"把按钮移到这里"、"颜色再蓝一些"）逐步完善。这种方式看似让编程变得简单直观，但也隐藏着风险。

抽象泄露的陷阱

"氛围编码"创造了一种假象，让人误以为自然语言描述就是精确的抽象。这种假象会在系统复杂度增加时崩塌——底层抽象的未被理解部分会以"bug"形式突然出现。作者以Dan Shipper的协作编辑器应用为例，说明即使是"实时协作"这种看似明确的需求，实际实现时也会遇到意想不到的复杂性挑战。

人类大脑存在认知局限（只能同时处理7±2个概念），因此必须通过抽象来管理复杂性。正如Edsger Dijkstra所说："抽象的目的不是变得模糊，而是创造一个新的语义层次，在其中可以做到绝对精确。"Sophie Alpert重构Slack通知流程图就是一个优秀抽象案例，她将复杂逻辑简化为清晰易懂的图示。

通用人工智能时代的编程

展望未来1-100年，当达到AGI（通用人工智能）水平时，编程将如何演变？作者认为：

1. AGI不会让优秀代码变得多余，就像ChatGPT没有淘汰优秀作家一样
2. 我们将首先用AGI解决最困难的抽象问题，创造更好的编程抽象
3. 作者分享了自己使用Opus 4.6解决React Router 7全栈框架问题的成功案例

代码远未消亡

针对"代码已死"的流行观点，作者犀利反驳： - 这就像认为印刷术发明后讲故事艺术会消亡一样荒谬 - 形式化符号不是负担而是特权，它让普通学生能完成过去只有天才才能做到的事 - 引用多位名家观点强调精确表达的价值

最后以Tony Hoare的箴言作结："构建软件设计有两种方法：一种是让它简单到明显没有缺陷，另一种是让它复杂到没有明显缺陷。"

（文章保留了原作的论证逻辑和关键案例，删减了部分重复论述和次要细节，确保中文表达流畅自然。）

以下是评论内容的总结，涵盖主要观点和论据，并保持不同观点的平衡性：

1. AI生成代码的局限性

• 观点：过度依赖AI生成代码会导致“理解债务”（comprehension debt），工程师无法解释技术决策，代码质量下降。

  • 引用："many are attempting to take shortcuts... only to throw it away, rewriting it with now no-one truly understanding the code" (rvz)
  • 引用："AWS工程师因Kiro导致故障，现需人工审核AI变更" (rvz)

• 观点：AI缺乏创新能力，无法挑战传统思维，难以推动技术进步。

  • 引用："AI tends to accept conventional wisdom... cannot independently advance the state of the art" (lateforwork)
  • 引用："Claude AI编写的编译器未展现创新" (lateforwork)

2. 代码不会消失，但角色会演变

• 观点：代码不会消失，但开发方式会向更高抽象层级发展（如用自然语言生成代码）。

  • 引用："humans are moving up a level of abstraction... write specs in English and have AI write the code" (idopmstuff)
  • 引用："The job changes, it does not disappear" (soumyaskartha)

• 观点：代码的精确性不可替代，复杂场景仍需直接编写。

  • 引用："If you want unambiguous instructions, code will always be more useful than English" (idopmstuff)
  • 引用："Dijkstra曾批评‘自然语言编程’的愚蠢性" (cratermoon)

3. 对AI工具的依赖风险

• 观点：过度依赖AI工具可能导致厂商锁定（vendor lock-in）和技术债务。

  • 引用："You are locking yourself in to a single vendor... they can hold your code hostage" (lionkor)
  • 引用："AI生成的代码所有权归属问题" (lionkor)

• 观点：AI工具适合简单任务，但无法替代生产级代码的需求。

  • 引用："For pixel-perfect edits, Photoshop beats describing in English" (idopmstuff)
  • 引用："Bad code也能成功，但长期可能损害声誉" (rglover)

4. 未来展望的分歧

• 乐观派：AI将快速进步，最终能生成可靠的生产级代码。

  • 引用："All code will be AI generated... downsides will be solved" (neversupervised)
  • 引用："LLMs一年内从写函数到写编译器" (woeirua)

• 悲观派：AI无法解决根本问题，如创新和系统理解。

  • 引用："AI is a conformist... cannot think different" (lateforwork)
  • 引用："Deep Thought的‘42’答案：正确但无用" (pdp)

5. 社会与技术影响

• 观点：AI可能重新分配技术人才，减少对传统编码的依赖。
  • 引用："Disruption to coding could reallocate technical talent" (picafrost)
• 观点：分布式系统终将回归程序交换（而非数据交换）。
  • 引用："r0ml第三定律：系统将基于交换程序而非数据" (flitzofolov)

总结

评论呈现两极化：
- 支持AI：认为抽象化是趋势，AI将提升效率，尽管需解决质量与锁定问题。
- 反对AI：强调代码理解、创新和可控性的不可替代性，警告技术债务和厂商风险。
核心矛盾在于效率与可控性的权衡，以及AI是否真能突破“平庸均值”实现创新。