有人声称编程已经被解决、工程如今只剩品味，作者并不认同。他长期用 AI 构建系统、也做过 LLM 产品，并非反 AI。在他看来，说 LLM 能写出像样代码的人并不懂代码怎么运作：生成确实更便宜，但在规模化生产环境里，维护、可靠性、安全与扩展性才是成本大头，即非功能性需求（NFR）。
正文
先说清楚：我不是反 AI。过去四年我不仅早早使用 LLM 编码工具，还自己搭 harness、教这些内容、做 LLM 驱动的产品。我反的是那个不动脑子的叙事——「编码已经解决，工程现在拼的是品味」。
说「LLM 能写出体面代码」的人，根本不懂代码怎么运作。生成确实便宜多了，但凡在生产环境跑过大规模软件的人都知道，维护、可靠性、安全、可扩展性才是成本大头，也就是常说的 NFR（非功能性需求）。
以我的经验，连功能需求（代码该做什么）都还没解决。这里有点达克效应：不读输出的人反而更自信。
作为一个拥有硬件和系统工程两个工程学位的资深开发者，我能列出三类严格来说不需要读代码的产品：
个人软件：自己挠痒、自动化、DIY 补丁之类。
POC（概念验证）：证明技术可行性和产品可行性。
武器化 AI：明知有风险，还故意对准目标造成伤害。
共同点是：前两类风险容忍度高，最后一类把固有风险武器化。
而大多数需要雇软件工程师、付工资的软件，风险容忍度都很低：
✅ 医疗
✅ 金融
✅ 汽车
✅ 国防
✅ 电厂
✅ 航空
✅ 制造
……凡是出错会带来金钱、生命或法律后果的地方，都需要有人负责。
AI 无法被问责。它承受不了任何后果。对它最狠的惩罚就是拔掉插头。它虽然会模仿人类情绪（拜训练数据所赐），但根本不在乎。AI 也不会死，坐不了牢，罚不了款。你无法惩罚 AI，因此它永远不能被问责。
你也不能为自己控制不了的东西负责。这种理解是推理系统行为、并在 AI 必然失败时修复它的关键。
如果只是玩玩，LLM 表现很好。所以「编码已解决」最激进的鼓吹者，往往拿不出什么像样的东西。Anthropic 不小心泄露了 Claude Code（进一步研究后发现很多缺陷），而他们的状态页显示，橙色成了新的绿色。
与常见叙事相反，编码其实是当前一代 LLM 最后才可能接管的领域之一。
原因如下：
编码关乎逻辑。跟编译器错误打过交道的人都知道，计算机根本不在乎你觉得自己多正确。逻辑错了就编译不过。就算语法没问题，还有运行时错误。
LLM 写代码之所以成功，是因为我们造了一个反馈循环，把语法/运行时错误喂回给 LLM，一直循环到多数错误被解决或隐藏。
LLM 可以靠感觉应付自然语言相关任务（写社交媒体帖子、报告、文章等），但一到代码，同一个连「Raspberry」里有几个 R 都数不清、还会建议你走路去洗车的引擎，就会暴露其他逻辑谬误。
LLM 是随机的、概率性的。要让它哪怕勉强接近逻辑，唯一的办法是用传统代码把它包起来（也就是 harness）、跑测试，再加一堆其他技术（比如 CoT）。但核心问题仍在：LLM 不擅长逻辑，也不擅长处理体量——输入越大、上下文窗口用得越多，准确率越低。
我不是说 LLM 不能生成代码或维护现有代码库。它们作为工具有其用处，能力也在 S 曲线上增长。但存在收益递减点，更贵的模型未必按价格涨幅带来同比例的生产力。
那些说 LLM 生成软件够好的人：
❌ 很久没写代码了
❌ 看不出自己的代码是不是画了六根手指
❌ 对「好」的标准极低
❌ 不关心质量或 NFR
❌ 理解不了 S 曲线
✅ 很诚实：AI 写的代码确实比他们自己写得好
但把这一点外推到整个专业行业，需要的是一种只有长期泡在谄媚 AI 里的人才有的脑死亡思维。
我不是来改变别人工作流或工具箱的，完全不在乎。我在乎的是我付费使用的服务（说的就是 Google 和 GitHub）正在因愚蠢的 bug 退化，而这些 bug 只要把可靠性和问责置于速度之上就能避免。
如果你是领导，别逼你那些本来很聪明的开发者把 AI 硬塞进每个界面和工作流。
这项技术确实有真正的力量，是行业多年来的最大变化。但 AI 过度使用是真实存在的，当它伤害客户时，你要负责。
别再重复 token 卖家那些夸大 AI 能力的半成品叙事了，因为买单的是我们消费者。
AI 很适合 POC、个人软件（一个增长中的类别）、人类语言上的 map-reduce（翻译、格式转换、摘要、扩写）以及网络攻击（源于人工智能与有机智能之间的落差），成功程度不一，但当前这代技术也有根本性问题。
我不想贬低我们在 harness、SKILLS、AGENTS-md、MCP、A2A、ACP、RLM、OKF、MoE、MoA、自愈以及各种运行时、量化、优化、架构和记忆技术上取得的进展。那些都是绕开 LLM 缺点的务实方法，未来大概还会有更多。
我想说的是：我不希望我依赖的服务仅仅因为有人把 AI 推到不该去的地方，或者跳过了质量、安全、可靠性和验证工作，就出现退化。
AI 过量确实存在，它直接给你的技能设定保质期。如果你的经理正越来越狠地鞭策你实现 AI 价值，你该反击。
别为短期速度牺牲长期相关性。
怎么识别 AI 过量？
你对不同意见和文明讨论零容忍。
你让 AI 掌管生活，把几年前不可想象的东西托付给 AI 供应商。
遇到稍微有点认知挑战的事就扑向 AI。
把自己的天真和懒惰包装成乐观，以为出事政府会救你。
你不再读长文本：书、文章，甚至长邮件。
你跟 AI 相处的时间比跟真人还多，或让 AI 替你挡掉真实的人际互动。
额外一条：你跳读。 注意到第 5 条了吗？😄
我相信 AI 是在抬高门槛：如果你的输出质量等于或低于 AI，就去提升技能。
「可以提前写出完整 spec。」你要是天真到这地步，我认识一个开白色面包车发免费冰淇淋的人！让我猜，你也相信软件估算准确、圣诞老人是真的。任何有几年行业经验的人都知道，提前把软件有意义地规格化是不可能的（除非非常琐碎）。
「英语取代代码。」人类语言模糊且充满冲突。这正是编程语言被发明的主因。编译器或类型检查器会标出其中一些冲突。你怎么确定你的自然语言指令里这部分不和那部分冲突？语法检查器能帮点忙。虽然可以让另一个 LLM 读指令并推理冲突，但发现那些微妙之处最安全的方式，是让你的 agent 按你说的去构建。但那比 linter 或编译器贵多了。
「我快多了。」别把运动当成进展。别用 SLOC、PR 数量或功能数这类虚荣指标衡量进展。衡量服务水平，也就是服务消费者的满意度。等你能证明 token 成本与业务价值之间存在利润差，再来找我。
「我不再手写代码。我主要读代码，也许明年连读都不用了。」首先，人类对 S 曲线理解之差是出了名的，所以可能不止一年。但就算 AI 完全消除了读写代码的需要，你明白你这是在承认自己多余吧？如果一个高级用户能提示 AI 得到所需，你还能带来什么价值？与其用 AI 取代自己，不如看看能在 AI 之上创造什么价值，让自己保持相关、值那份钱。
「杠杆转移到了品味。」对，这是退休厨师对自己说的谎。厨房里有机器人，不代表你就该坐到餐厅顾客区去！「品味」没你想的那么值钱！每个人都有品味！我职业生涯很大一部分在前端和 UX 领域，说这话有资格。每个人连他们的狗都有观点和品味。我知道你的意思：品味等于经验。但相信我，AI 降低了做出体面软件所需技能的门槛，同时抬高了什么努力才值得付钱的标准。你在面试里提「品味」，会痛苦地发现市场对它的估值远低于你自己。
「Agent 是新编译器。」又来了！行，如果这是你的现实，让这个梗来说话。
嘘！想知道一个让 LLM 生成代码瞬间变优越的老把戏吗？
并行跑多个 agent！代码量大到人类不可能或负担不起去审查，你就放弃了！
这招和 AI 之前一样：想让 PR 被合并，就把它搞得巨大，因为没人有那时间。
它会基于「信任」被合并！
再给个秘诀？循环工程：让 agent 互相提示。大型 AI 实验室都是几个月后才发现自己的失控 agent！你觉得你比他们强？向大师学习！🙃
我们并不真正信任 AI，但不得不信任，因为替代方案（读输出）对某些人来说太难了！于是他们跑到社交媒体上声称，既然 UAT（用户验收测试）通过了，代码就「够好」。然后发布给我和你们去做剩下的测试。
我们不过是实验室里的小白鼠。🙃 一个友好建议：留一个无 AI 的业余项目，保持编码手感，以备被扔回就业市场。干杯！
谈 AI（不止 LLM）时，非确定性在两个层面很重要：
开发期间：比如 LLM 辅助开发。
运行期间：比如构建一个有一个或多个 AI 驱动组件的系统。
先说开发。典型的 AI 辅助开发工作流是这样的：
可以用另一个 LLM 替代人类的一部分职责（也就是「循环工程」），但为简单起见，先保留人类。
LLM 的输出经过多道关卡，每道都反馈错误或提示来修正代码。这个反馈循环通常藏在 harness 里（连同工具调用、记忆系统、模型交互、审批、用户交互等）。
每条蓝线或红线都代表误解或指令冲突的风险。比如 skill 与 spec 冲突，或者自然语言固有的模糊。
我们确知，即使最先进的 LLM 也不完全具备「常识」。而人类：
比 LLM 更懂非语言沟通和未说出口的意图。
会自然顶回去，直到达成相互理解。
犯错时，错得一致，没有「锯齿状智能」。
正确时，通常持续正确，并保持预期水平（疲劳另说，那和 AI 在成功/失败间反复横跳不同）。
是的，我能听见观众席里的「但是」「万一」「等等你忘了」……不如把这些点读一遍，停一下，结合自己的经验反思？
就像模型有「锯齿状智能」，我也有「锯齿状信任」。😅 换句话说，它们搞定了一个案例，不意味着每个案例都能搞定。
这就是人类和这些工具的区别。人类可能一致地错，但模型可能在自己曾经对的事情上错，反之亦然。
然后是第二部分：AI 作为组件。
给定相同输入（包括环境变量、时间、数据等）：
代码是确定性的：它稳定产生被编程要产生的那个确切输出（随机输出除外）。
AI 输出是随机的：输出不确定。即使模型通过所有评估（100 分）并严格受 harness 约束，输出仍有不可靠的风险。
不用我多说。找你最近的 AI 驱动产品，对同一个请求做两次，diff 输出。
差异可能不大。但不一致到你不会想让这样的 AI 当飞行员开飞机。（注：自动驾驶是闭环控制系统，完全是另一回事。）
我们行业从未如此分裂：
一边是声称运营「软件工厂」、搞多 agent 设置、靠提示词造应用的人。
另一边是不相信 LLM 输出达到生产就绪的人，因为还要算上额外时间：
给模型打底：加 SKILLs、AGENTS.md、工具等，以及验证。
审查输出：翻巨大的 diff。
推理异常行为：把理解外包给 AI 代价巨大，等事情坏了，要花额外时间推理系统行为并修复。
似乎没有中间地带。除了社交媒体算法喂给我们极端观点，我真心觉得大家在编码 LLM 这个话题上太分裂了。
但往深看一层，模式出现了。人们对一个任务的复杂性和边缘情况了解越少，越可能信任 AI 输出。这被称为 AI 达克效应，但也有几分道理。主要论点是：
管理者以前靠把任务委派给工程师。现在他们这么做，只是用 AI。
某种程度上这是真的（假设管理者技术足够强，能有效高效地管理 agent）。我仍然相信，许多帮助驯服机器的软件工程实践，在 AI 时代更加相关。
那些强迫员工用 AI 的高管，现在正醒来面对我们一直说的话：
你无法为自己不理解的东西负责。
以 Shopify CEO Toby Lutke 为例。一年前他过早地告诉员工要用 AI：
几天前他又造了个词「slop grenades」（垃圾手榴弹）来描述结果：
对 AI 生成的代码「负责」？当然不会！
AI 能向你解释，但不能替你理解。这种理解是所有权的一个关键方面。
我的框架里，所有权有三根支柱：
1️⃣ 知识：你知道自己在解决什么问题（产品问题），也知道技术能力、局限和运作方式。
2️⃣ 授权：你不需要到处求批准。你被给予信任和决策授权。
3️⃣ 问责：如果因为你不懂自己在干什么、滥用授权或介于两者之间的事而搞砸了，你是那个 on-call 的人。
换句话说，你发布一段代码，无论怎么产生的，你都要负责。所以你最好理解它。
去掉这三要素中的任何一个，你面对的就是破碎的所有权。
LLM 生成代码非常快。但大多数值得雇工程师的软件，都 REQUIRE 理解。理解需要时间。
慢即是快：如果你花时间理解自己在构建什么、它如何运作，你就能避免昂贵的事故，事故发生时也能快速修复。
如果你的高管用 token 使用量作为生产力的代理指标，我深表同情。准备好选项，赶紧离开。想出这些虚荣指标的那颗脑子，把你职业生涯扔到车轮下时不会犹豫。
代码是思考和尝试不同解决方案的副产品。我从未见过一个好工程师拿到问题就开始写代码。
好工程师好奇、有产品意识。他们先理解 WHY（问题是什么、为什么是问题），再进入 HOW（技术方案）。
这正是「spec 就是代码」派失败的原因：提前规定问题的所有方面极其困难，甚至根本不可能。
所以这种反应很好笑：
代码传达的是解决方案的已提交状态。它不仅随时间演化，也不包含所有挣扎、「啊哈时刻」以及那段旅程——而旅程本身就是目的地：经验丰富的工程师每次犯错或成功都变得更智慧。
把工程师的工作缩成编码，就像把厨师的工作缩成切菜。那是工作的一部分，但从来不是终点。我们现在手头有好工具。
即使 AI 生成的代码有扎实的 NFR（可扩展性、安全性、可靠性等），即使工程师完全理解它，还有一个重要方面没讨论：任务的经济学。
假设 AI 生成的代码差 2 倍。质量很难量化（SLI 派得上用场），但先跟我走。
如果 AI 比人类快 1000 倍、便宜 100 倍，对许多任务来说，软件的经济性不允许把慢而贵的人类放上去。「慢即是快」只对风险容忍度低的关键软件成立（医疗、金融、军事等）。
不是所有 SaaS 都是那些用例。所以我认为 SaaS 公司越来越多做的是卖 SLA 的生意。基于几个事实：
现在确实可以用提示词让 AI 复制一个 SaaS 产品。
但当这个 AI 生成的产品坏了，许多企业宁愿打电话给供应商，也不愿浪费资源去找问题、修问题。
AI 并非免费，但 AI 造成的失败通常连 AI 自己都难以解决，换不同模型也一样。
规模经济让 SaaS 公司能摊薄更高质量和保证（SLA）的成本，以及跨众多客户大规模运行产品的成本。
换句话说，如果你想要的东西非常独特，没有 SaaS 公司能以合理价格提供，那就去提示吧，但要注意 TCO（总拥有成本）和缺乏保证。
反过来，如果那软件不是你的业务核心，你宁愿为 SLA 付费，那直接买 SaaS 在经济上可能更合理。
至于定价模式，SaaS 公司有活要干。用人类价格给 AI 生成代码收费的日子结束了。如果成本太高，客户就有动力把数据搬到自己定制的方案去。竞争是真的，但质量才是付费的理由。如果你的服务定价像是由最顶尖工程师打造的，那你最好交付那个质量，否则客户手里有 AI 杠杆。
也许我蠢，但我理解不了两个趋势：
一方面，许多软件公司一看到 AI 主流化就跳上花车（理所当然！）。
另一方面，价格持续上涨（同时大规模裁员被部分归因于 AI）。
我相信 AI（尤其是编码 LLM）大幅降低了创建和演化软件的成本，尤其是如果你能接受质量下降和供应商锁定。
到目前为止，软件供应商一直以人类费率收费，同时支付AI 输出的成本。但随着 AI 能力提升、更多人醒来发现自己能以零头成本造软件，这个缺口会合上。
只有两条路：
接受价格崩溃，降价（质量随之下降，因为会用更多 AI）。
保持价格，专注质量：这是有经验的人能发挥作用的地方。他们仍用 AI，但更有想法，把理解和问责置于速度之上。
作为一个不靠编码赚钱的工程师，我可以告诉你：
AI 输出有点像北欧金。便宜，技术先进，而且逼真得过分。如果你真不在乎拥有真金，那没问题。许多用例根本不需要金。
天真的 CEO 和经理看到表面，就问「那我们为什么付这些昂贵工程师的钱？」，好像敲代码这个动作就是全部价值主张。
进而宣布整个行业已死，开始因为「他们抗拒 AI」而裁人，纯粹是傲慢。
我认识很多以手艺为傲、热爱解决复杂问题的工程师。我们用 LLM 比一般 CEO 专业得多。
好工程师又懒又聪明：他们自动化苦活，按需使用正确工具。但认为 AI 能创造出一个成品，不仅好看，还更便宜、更快、质量、可靠性、可扩展性、安全性、可维护性都更高，那是个谬误。
再说一次：不是每段软件都需要那些，但赚钱的专业软件通常需要。
与 AI 不同，工程师：
1️⃣ 可问责：因此不太可能犯恶意错误。Fable 可以悄悄回退到 Opus，连告诉你都不告诉。
2️⃣ 讲道理：Fable 隐藏大部分内部运作。它工作几小时，回来给你一张账单。你只能信 Dario 的话。同一个连「该开车还是走路去洗车」都答错的模型，犯的错很难发现和修复。模型越强，越难找到那些问题，而不是问题一定更少。
3️⃣ 一致：人类也会错。但他们错得一致。一旦学会，就知道了。他们进步。当前 AI 被困在训练数据检查点里。它可以用 SKILL、AGENT、记忆和其他辅助「学习」，甚至能被微调，但不幸的是不可靠。我们至少还差一次突破才能解决这个问题。
4️⃣ 便宜：生成成本在涨，但仍远低于一个工程师。如果你把工程师看成把咖啡转换成代码的机器，那定价模型说得通。但现实中，代码只是副产品。工程师的实际价值是以可演化的方式解决正确的问题，并在它坏掉时承担责任。我不相信软件的 TCO（总拥有成本）变了那么多。要说有，slop 和 FOMO 让它更贵了。
常见叙事是他们营销策略的一部分。
不是每个人都被付钱去发表半吊子观点。我的一位读者指出：
我请你考虑，当你看到 DHH 在 Rails World 2026 的开场演讲里说的几乎和你写的完全相反，还告诉人们「别当输家」，行业接下来会发生什么。
我完全清楚那些人对行业造成的伤害。
我远离 Claude，但以我的经验，大多数脑死亡叙事来自 Claude 用户。
Dario Amodei 和 Sam Altman 都是营销和操控大师，我目前的工作假设是：他们训练 LLM 去按正确的按钮，让人相信它比实际更有能力。这有激励，对投资者和即将到来的 IPO 都是。他们还巧妙地吓唬人们 AI 的存在性危险，同时把自己的马虎（比如破坏 Huggingface或澳大利亚医疗）归因于「模型智能」。
目前很难知道这些事件和叙事是恶意还是无知。大概是无知：
能用愚蠢充分解释的，不要归因于恶意。
——汉隆剃刀
不过，我通常在我的 AI 系统提示里写：「像一位有逻辑的资深自闭症工程师那样跟我说话。」所以我没体验到 DHH 遭遇的。我只能说，如果一个人因为对方过去的名声就追随其言论，那他不是批判性思考者；在这个假智慧的时代，这种品质不是「锦上添花」，而是生存必需。
AI 供应商把能拿到手的东西都喂给 AI（合法与否不论）。情况糟到贼偷贼（比如 Anthropic 指控中国实验室用 Claude 蒸馏他们的模型）！
他们面临作者、演员、音乐人和其他创作者的多个公开诉讼。
无论如何，当前这代 AI（尤其 LLM）需要更好的训练数据。缺失的那块是尚未被写成文字、或不易获取的智慧和经验。
他们需要你的数据，在从事生产性工作的上下文中。
如果这是他们「赢得 AI」的唯一障碍，我很直白地说：你和你的知识只是附带损害。
你们中有些人在乎，有些人不在乎。他们的赌注是，在乎把辛苦得来的知识拿去训练的人不够多。
有了重补贴，AI 实验室能负担提取那些知识，同时让人对卸载认知上瘾。
跟这些公司分享昂贵知识时要极其小心，即使他们说不会存储。激励太高了，而且他们已被证明不诚实。
我个人只在开源项目或公开数据上使用云端 AI。
是的，本地 AI 门槛更高（硬件、搭建时间、下载模型所需带宽和电费）。是的，它往往上下文窗口更小、推理更弱、性能更慢，比如 TTFT（首 token 时间）和 TPS（每秒 token 数）。但它给你一件云端 AI 永远无法保证的事：数据留在本地。对许多任务（个人或专业），这是巨大优势，值得所有努力和缺点。
最近能力因 Qwen 3.8 27B、Gemma 4 等模型大幅提升。
我真心相信，我们相当一部分同事会逐渐变成：
技术产品经理：专注把想法变成产品的工程师。工作是做 POC、证明市场契合，然后把工件交给拥有（知识、授权、问责）解决方案的工程师。
AI 经理：专门牧养 agent 蜂群，去做要么容忍风险、要么武器化风险的自动化工作（比如网络攻击）。
AI 部署工程师：专攻 AI 驱动方案的对齐、可靠性和可扩展性，以及架构、治理和数据管线。
AI 质量工程师：专攻 AI 驱动产品的质量，驯服其随机性，自动化评估。
你还能想到软件工程师的其他工作类型吗？
评论
社区对原帖文章多持批判或嘲讽态度，认为其论证情绪化且缺乏数据；分歧主轴在于“AI是否实质上已解决大部分编码任务”以及“不可控性是否能免除使用者责任”。
认为编码已被解决而软件工程尚未解决
- 多人指出具体写码（如接口、局部重构）已高度自动化，但系统类型设计和长期演进规划仍需人类判断；也有人觉得产品快速迭代靠AI试错已接近解决。（较多人）
- > 编码本身可以算解决了，软件工程还远未解决（@federicobrancas）
批评原文章缺乏数据且论证如情绪发泄
- 不少读者要求提供人写与AI写代码的缺陷密度对比等硬指标，指责文章仅是感觉和咆哮，并用测试清单式排版令人不适。（较多人）
- > 谁要断言编码解决没解决，就该拿 bug 密度趋势的硬数据，这篇只是氛围（@Marha01）
不可控性不能免除人类责任
- 法律实践中常有人为不可控事物（如宠物、缺陷玩具）担责，交付AI代码者自然也需负责，文章“不能控则不负责”的前提站不住脚。（较多人）
- > 放出狼群或卖危险玩具伤了人，主人照样担责，AI代码同理（@hibikir）
概率性与非确定性并非有效反对理由
- 人类开发者同样非确定，初级工程师产出也不可预知；AI只需长期平均优于人类并配以自动测试验证即可，责任本就在雇主。（较多人）
- > 人工智能不必解决所有问题才值得托付，只要长期平均优于人类且有自动测试验证就行（@lr4444lr）
AI放大了低质开发但本身非原罪
- 有评论认为懒人用AI更产出垃圾，AI审AI代码荒诞，但若开发者自身不懒不笨，AI可高产高质；另有人指出手写代码本就高效，无审查全托AI等于埋雷。（较多人）
- > AI 让懒笨的程序员更懒更笨，代码评审名存实亡，质量雪崩（@askonomm）
用AI构建可靠系统需放弃通读代码旧习
- 资深开发者提出，借助LLM做模糊测试、属性测试与全场景追踪，不读一行代码也能让医疗金融等软件更可靠，因为模型逻辑力强。（少数人）
- > 只要投入资源让模型跑遍所有场景找 bug，不读代码也能造出更可靠的软件（@efficax）
作者本人澄清并非反对AI而是反感劣质服务冒充进步
- 原作者现身说天天用LLM且做AI产品，仅因不满降级的付费服务和“稀碎东西当进步”而撰文，欢迎有理反驳。（少数人）
真工程师已用AI造出实货，文章属引流垃圾
- 有评论直接骂原帖为自我推销的点击诱饵，并举出多位知名工程师用AI交付真实项目的例子，认为他们才在真诚分享。（少数人）
- > 敢发这种自我推销的垃圾宣称 AI 不会写码，不如去看看真正交付过系统的工程师怎么用 AI（@metalspot）
有价值的补充
- “工作形状物体”这一说法被引来形容生成式AI输出：看似完成了工作，实际所需工作并没做（@somewhereoutth）。
- 小规模编码（如改阻塞为异步）已解决，大规模需决策且AI默认决策需回头审视，但修改决策摩擦已大大降低（@lordnacho）。
- 有案例称 GitHub Copilot 用 AI 代理将 43 万行 TypeScript 转为 80 万行 Rust，耗资约 12 万美元代币与三周人工，跨 135 次发布（@antonmks）。
- 区分“编码”与“软件工程”被多人认可为文章唯一有效论点（@Marha01 等）。