AI 让写代码变便宜后,软件工程师该把时间花在哪里?
- 2026-11-23 06:04:12
前沿新知 / 03
周一上午,你接到一个很像“该写代码”的需求:销售说,客户总要导出一份经营数据,希望做一个自助报表。
过去,你会先估接口、建表、前端页面和权限,排进两周后的迭代。现在,AI 也许一小时就能搭出能点、能筛选、能下载的版本。团队的兴奋来得很快,真正困难的问题却刚刚出现:谁会在什么时刻使用它?一份报表要帮他做什么决定?数据能不能给到这个人?上线后,怎么证明它不是又一个没人打开的入口?
写出功能不再是唯一瓶颈,甚至未必还是最大的瓶颈。
2026 年 11 月 12 日,GoDaddy 的 Principal Software Engineer Scott Bolinger 在 X 发布《What a software engineer should do now》。他表达了一种很多工程师都有的失落:过去需要很长时间才能完成的 SaaS 应用,如今越来越容易被模型搭出来;只继续追逐语言和技术栈,似乎不足以构成未来的护城河。
他的答案是把视野从“把 App 做出来”推向更大的问题,并补上产品、市场与人本身。但这句话很容易被听成另一个极端:技术不重要了,技术方案也不需要了。
我不赞同这个版本。更接近现实的说法是:AI 正在压低实现成本,工程能力没有消失,而是更集中地用在选择问题、写清边界、验证结果和承担后果上。
先说清这篇文章要回答什么
不是“工程师还要不要学技术”,而是:当实现速度变快后,哪些工作更值得工程师亲自投入?又怎样避免把“做得快”误当成“做对了”?
01
代码更容易生成,为什么工作没有自动变简单
回到那份自助报表。AI 可以很快做出页面、接口、导出按钮,甚至补上测试。但它无法凭空知道:销售口中的“客户”是店长、财务还是区域负责人;他们真正缺的是明细,还是要判断经营异常;哪些字段属于可导出的范围;报表快一天交付,是否真的会改变某个决定。
这不是说 AI 完全帮不上这些事。它可以归纳访谈、比较方案、生成原型、分析日志。问题在于,这些地方没有一个天然的标准答案:需要团队与真实用户对齐,也需要有人为取舍负责。

因此,AI 带来的变化并不只是“同样的事做得更快”。它还让以前因为成本太高而不值得做的尝试变得可行:多做一个内部小工具、多验证一个用户假设、多写一条迁移路径。这正是 Bolinger 说“要想得更大”最有价值的部分。
但“大”不该只理解为功能数量更多、并行 Agent 更多,或一个人管理“千人团队”的幻觉。对一个报表需求而言,更大的尺度可能只是把目标从“上线一个页面”改成“让一线负责人能更早发现异常,并且不误用敏感数据”。后者涉及问题、权限、流程和效果,责任范围反而更大。
02
不要把一条帖子,读成“技术已经不重要”
Bolinger 的原帖说,给模型一段用户故事有时比一份严谨技术方案更有效。这是一个值得试验的工作体验,不是一条适用于所有项目的工程定律。
用户故事回答的是:给谁做、他在什么情境下遇到什么问题、怎样才算帮上忙。它帮团队把注意力放在结果,而不是一开始就被实现细节锁死。
技术方案回答的则是:数据从哪里来、谁可以访问、失败后会怎样、性能和成本怎样控制、如何上线和回滚。它不是用户故事的替代品,而是把承诺变成可交付系统的边界。

低风险原型,可以先用用户故事驱动,快速让真实用户给反馈;涉及支付、权限、隐私、关键业务流程或长期维护时,技术方案不能省。它不必写成厚厚的文档,但要把关键约束和验证方式说出来。
这也是 AI 时代更容易被忽略的一层能力:不是把上下文塞得越多越好,而是知道哪几条约束一旦错了,功能再漂亮也不能接受。在报表场景里,可能是数据隔离、数字口径和导出审计;在支付场景里,可能是幂等、失败补偿和账务一致性。
03
关于效率,证据并不支持简单的乐观或悲观
“AI 让工程师更快”与“AI 反而拖慢工程师”都有人拿数据支持。它们并不一定互相推翻,往往是在谈不同的人、工具和任务。
Anthropic 在 2025 年 12 月发布的内部研究,调查了 132 名工程师与研究人员、做了 53 次深度访谈,并分析了 Claude Code 的使用数据。受访者报告自己使用 AI 的工作占比上升,也报告更多产出;研究同时强调,这是内部环境和自我报告,生产率很难被精确测量。在复杂或高风险任务上,很多人仍会主动参与验证,而不是完全交给模型。研究原文
另一边,METR 在 2025 年对 16 名熟悉大型开源项目的开发者、246 个真实议题做了随机对照试验。在它研究的具体环境中,允许使用当时的 AI 工具后,完成时间平均增加了 19%。参与者在开始前和结束后都高估了提速。METR 也明确提醒:这不能外推为“AI 对大多数开发工作都无用”;它只是说明,在熟悉、复杂、隐性知识很多的代码库里,模型生成、审阅和整合的成本可能吃掉预期收益。研究方法与限制
这两组资料放在一起,给出的并不是一个平均速度,而是一个更实用的问题:这项工作里,AI 真正替你减少了哪段成本?又把多少时间转移到了理解、协调、测试和返工?
如果答案只剩“它一下子写了很多代码”,还不能说明项目变快了。真正该看的,是从问题被提出,到用户获得可用结果之间的总时间、质量和后续维护成本。
04
“把格局放大”之前,先把结果缩小到能验证
有了更便宜的实现能力,最诱人的冲动是一次开十个项目。Dan Luu 在一篇讨论“更有雄心的软件”的文章里,也收录了一个很必要的反问:许多问题并不适合交给自动化循环,因为它们没有清晰的通过/失败标准;随手加出来的代码,也可能只拟合了你刚测试过的一小块场景,之后既难维护又难推广。
这段提醒很适合放在“更大野心”的旁边。我们当然可以把目标放大,但应该把验证单位缩小。
比如,不要说“做一套智能经营系统”,先挑一个可观察的问题:让 20 位区域负责人在每周一上午更快发现连续两周下滑的门店。再约定一个结果:他们能否在两分钟内找到原因线索,是否减少了人工拉表,错误提醒会不会造成额外干扰。AI 可以并行探索交互、指标计算和数据质量检查;人要决定这是不是值得解决的问题,以及什么证据足以继续投入。
换句话说,规模可以大,每一步的承诺要小而清楚。这样既能利用 AI 降低试错成本,也不会把一堆“看起来都完成了”的功能,误当成业务进展。
05
新的工程工作,不是一份更少技术的清单
“转向人性化能力”这个说法,方向是对的,但仍然不够准确。产品定位、市场、心理学和沟通,确实会越来越重要;不过把它们理解为“AI 永远做不了的事”,同样太绝对。AI 可以参与研究、文案、设计和销售准备,也会不断变强。
更稳妥的区分是:AI 可以扩大备选方案和执行能力;人仍需对正在追求的目标、可接受的代价以及最终影响承担责任。这要求的不是“少一点技术”,而是把技术判断和用户判断放到同一个工作环里。

可以把它拆成四个相互咬合的动作:
发现问题。 不从“能做什么功能”开始,而从用户正在绕开的麻烦、正在花的钱、正在等待的步骤开始。亲自看一次使用现场,往往比多看十份竞品总结更有用。
定义结果。 写下给谁、解决什么、怎样算有用,也写下不能越过的边界。让 AI 开工前先复述这些条件;如果它需要自行假设,要求它列出来。
并行实现。 让 AI 做原型、检索、编码、补测试、比较几种路径。这里仍然需要技术深度:你要知道哪些上下文值得给、哪些模块应该隔离、哪些地方必须留出人工确认。
验证并负责。 看真实数据、真实用户反馈和关键约束是否满足,而不只看演示是否顺滑。对于重要改动,要能回答“为什么这样做”“哪里可能失败”“出了问题谁能处理”。
Addy Osmani 在谈 Agent 技能退化时,把高质量协作归纳为两类能力:足够深的领域理解,用来定义好结果;以及把判断变成明确约束、测试与验证的能力。这个框架很适合补在 Bolinger 的观点旁边:更高层的工作,不是模糊地“当产品经理”,而是更清楚地定义、引导和验证。
06
给工程师的一次小调整:别从技术栈清单开始
如果你想把这件事落到下一个迭代,不需要立刻重做职业规划。可以先从一个正在做的需求开始:
- 先写一张问题卡。
用三句话写清谁遇到什么麻烦、你希望他改变什么、什么证据会让你相信它真的有用。 - 再写一张边界卡。
列出三条最不能错的约束:可能是数据权限、金额口径、响应时间、成本上限或人工介入点。 - 把 AI 的交付改成“结果 + 依据”。
不只要它说做完了;要求它给出做过的假设、改动范围、检查方法和没有覆盖的情况。 - 留一小段“亲手练习”。
不要把所有诊断、设计与审阅都外包出去。先形成自己的假设,再看模型的方案;读关键 diff,追一次线上异常,或独立解释一项核心指标。这样才有能力判断工具是否真的帮到了你。
这不是为了重新把所有代码手写一遍,而是为了保留提出好问题、识别坏答案的肌肉。AI 替你完成得越多,这两件事越有价值。
07
回到那份报表:工程师究竟该去哪里
最终,团队上线的不是“一个由 AI 写出的报表页面”,而是一个能帮助某类人做出更好决定、又不越过数据边界的工作工具。
如果 AI 让实现变得便宜,工程师最该去的地方不是远离技术,而是去到技术影响真正发生的前后两端:在前端参与问题选择和结果定义,在后端守住系统边界、证据与责任。
Bolinger 的“想得更大”值得保留;但更大的目标,不是堆出更多 App,而是用变便宜的实现能力,承担更接近真实世界的问题。能把这个闭环跑起来的人,不会因为少写几行代码就失去价值。
一个可带走的判断
AI 让“做出来”更便宜;工程师的价值更集中在“该不该做、怎样不出格、如何证明有效”。
别把实现加速,误读成判断可以省略。
依据与延伸阅读
Scott Bolinger:What a software engineer should do now,2026 年 11 月 12 日。本文从该帖的观点出发重组叙事;开头的自助报表是解释性场景,不是作者案例。 Anthropic:How AI is transforming work at Anthropic,2025 年 12 月 2 日。内部调查、访谈与使用数据;适合理解早期高采用组织的工作变化,不代表所有公司。 METR:Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity,2025 年 7 月 10 日。16 位开发者、246 个任务的特定场景随机对照试验;不能直接外推到所有开发工作。 Dan Luu:We should be more ambitious with the software we build。关于 AI 降低成本、软件雄心与可验证性的讨论。 Addy Osmani:Agentic Skill Decay,2026 年 8 月 31 日。补充“领域理解 + 应用判断”以及主动练习的重要性。