有了 AI 之后，基础编程之上是什么
最近一年半做 code review、帮人解决问题，看得多了，大脑中机经常涌现一些想法：现在写代码这件事本身，已经不是初级工程师的门槛了。随便给个需求，AI 都能生成一段能跑的代码。
有时候也会感慨，想当年自己刚刚毕业时看到公司级项目代码，仅仅是阅读理解框架就要花很多时间，更别说要学会实现某个小需求了。有时候遇到难的需求，真的会难受好久，完全没有头绪，也不知道问谁。
最近一两年进入这行的新人，单纯从工作任务角度来看，相比以前的人一定程度上是舒服多了，至少能借助 Agent 生成一些代码（职场上看，有比没有强，做成一个“垃圾”也比啥也搞不出好），也能和 AI 对话来理解需求寻找和调研可能的解决方案，比以前百度看一堆重复的文章最后还云里雾里好。
同样的一个困境也随之而来，在整个经济环境下行，各行各业都有些萧条的情况下，需求也越来越少，不可回避的、挺现实的一个场景，在挑选、筛选人时如何看出真正的水平呢？大家都会 agent 编程，有的人可能更会表达自己，如何辨别真假呢？以前面试完全是考验候选人，现在好像更考验面试官了，如果面试官的知识面、经验不能cover候选人，那么被候选人忽悠也是正常的，如何衡量价值也是一个问题。
这一行的很多人真的太浮躁了，目前的大模型来生成代码，只是一种工具，而有些人真把它当成真AI了，更夸张的很多人会反驳你：“虽然现在还有很多待改善的问题， 后面肯定能解决，按照当前这种速度，它肯定能进化地更强，以后的 token 肯定也会更便宜，就像是水电、刚出来的昂贵的智能机一样”，“目前的 AI 堪比第四次工业革命，现在手写代码就是以前的手工纺织机、马车，AI 就是珍妮机、蒸汽机汽车……”，居然还有人扯“进化”？太离谱了，但凡稍微了解一下预训练生成式语言模型，就不会有这么离谱的言论。
有时候真的很烦一些很xx的言论“没有任何代码基础，用xxx模型，vibe coding了一个xxx”，“没写一行代码，靠xxx做了一个xx”，“家人们，文科专业，用AI做了一个xxx，我将用系列视频讲解制作教程”……如果不是商业化项目产品，AI 越快速生成的，说明这个东西在 Github 上的已经非常成熟了，就像是城市中的人给原始社会的人介绍如何在现代生活，这不是闭眼张口就来嘛？
写代码编程，从来不是一个很高级、门槛很高的事情。在没有大模型生成代码之前，在这行业火热的时候，就连高中生培训一下就能入行。很多敲代码的工作内容也存在许多“复制粘贴“，大模型只是加速的前面这个过程，并没有彻底转变需要编辑代码、运行代码、靠代码运行程序服务的本质。自然语言也没有成为新的实现方式，有的AI狂热信徒把“高级编程语言到自然语言”比作“汇编到高级编程语言”，实在是太滑稽了，更不用说是替代了。
有了 AI Agent 这两年，工作真的有变得轻松嘛？工作时长有缩短嘛？这行业能不加班了嘛？
为什么很多人觉得程序员的工作就是写代码？工作中杂事很多，真正能用来编程的时间如果有一半就不错了，对于喜欢编程的人来说，在工作中如果能安静地没人打扰的编程，就是很舒服了。现在的工作，随着各个公司都提倡降本增效以来，哪个不是“身兼数职”，这个搞一下，那个支援一下，这里需要你，那里也要去解释说明。如果 AI 真的强，先把这些杂事做了吧，让人心累的不是敲代码，而是……
大模型生成代码这件事，我认为就是一个不稳定、不确定的事件，普通人没法很快地、准确地衡量甚至确定自己当前用的模型是不是真的，无法保证这个模型能持续稳定地输出代码、提供解决方案。经常可以看到“最近xxx模型是不是变弱了，xx模型是不是偷工减料了”这类问题，当人无法监督、无法度量AI，只凭借大模型公司他们的一家之言，这件事就让人感到挺虚的。
当然了，AI Agent 也给我带来了非常多的帮助，从最初的 chatgpt，到现在的 claude，从一开始的网页端问答，到现在使用 cursor、codex 这类 agent 工具，工作效率上是有了极大的提升，帮助我解决了很多工作中的难题，如果没有它们，我都不知道怎么艰难、花很多时间经历来度过。
言归正传，其实一开始写这篇文章的目的，只是想写在 AI 时代的编程应该要注意哪些问题。
我把这一年看到的问题捋了一下，大概能分成四类，写出来记录一下，这也是大模型迭代的历史见证材料吧。
第一类：设计和代码质量
以前写代码慢，是因为得先想清楚怎么设计。现在 AI 一下子就能给一大段实现，看着挺好，跑起来也没问题，但是慢慢会发现，这些代码普遍缺一样东西——结构感。
具体表现是什么呢？重复的逻辑到处堆，该抽象的地方没抽象，复用意识很弱。每次任务来了，就像是一个新的熟练工来这个工程兼职几天，活干完就走，也不管之前做的啥样，也不管未来可能有什么影响。AI 本来就是”你让它干啥它就干啥”，它不会替自己操心这段代码半年后好不好维护。
有几个容易被忽略的点：
- 测试写得偷懒。现在很多人是 AI 写代码、AI 写测试，测试通过就默认没问题了。但 AI 默认只测你说的那个场景，边界情况、异常路径基本不会主动覆盖。测试代码看着写的多，其实都是正常路径，一堆坑没测到。
- 安全意识缺失。权限校验、输入校验、敏感信息处理，AI 不会主动加，除非你明说。功能测试也测不出来，等出问题往往已经是线上事故了。
- 不管成本，只管跑通。AI 给的方案经常是”正确但费”——全表扫描、重复请求、内存占用大，反正能跑就行。这块得靠自己有意识去判断，不然一堆”能用但很贵、用不到还有副作用”的代码会悄悄溜进生产环境。
这类问题的共同点：**AI 优化的目标是”跑通”，不是”写好”**。这个判断力，还是得靠人。
第二类：系统协作和环境适应
这是我觉得最难被 AI 替代的一类能力。原因很简单：跨系统联调、环境迁移这些事，靠的是对具体环境的了解——网络配置、权限设置、版本差异、公司内部平台那些没写进文档的隐性规则。这些东西 AI 压根不知道，它的训练数据里没有，你的上下文里也很难塞得下。
有时候自己也无法提前想到，只有出了问题才恍然大悟。我自己都不知道的具体细节，AI 怎么可能替我想到？如果它偶尔能想到，说明这个问题是必要的，很多人犯过。AI 替人想到细节也不是一件好事，每次都这样做，就会让人烦躁：总是考虑一些对我来说无关紧要的细节（浪费token，浪费我时间去纠正），统计下来就几次能让我满意。
具体体现在三个地方：
一是跨系统排查能力。工程和工程之间、工程和内部平台之间出了问题，这种排查经常是”证据不全，得自己去挖”的活儿，跟 AI 擅长的”输入输出明确”的问题完全是两回事。这时候 AI 给你的建议，有时候听着挺有道理，其实是在瞎猜，反而会带偏你的判断。
二是本地能跑、线上出问题。这本质是环境不一致——依赖版本、隐藏的本地状态、写死的路径,这些东西 AI 写代码的时候默认”当前环境能跑就行”，根本不会考虑到”这段代码换个环境会不会崩”。这些问题新手是重灾区，一旦代码报错出现在 AI Agent 之外的地方，就手足无措了。
三是部署这个大坑。多语言、多平台、多依赖，这是所有前面问题的”总爆发地”。写代码变快了，但部署的复杂度一点没降，只是被”写得快”这个假象给盖住了。很多团队现在的感受是：AI 让写代码简单了，结果上线反而更难了——因为债都攒到最后一步了。我就遇到过，新人用 Agent 写了一个基于 Vue FastAPI 的前后端工程，只能跑在本地的 windows电脑，却不知道怎么部署到 Linux 上。
这一类能力，说实话没什么捷径，只能是真刀真枪踩过坑，才能长记性。
第三类：能用 AI 干活，但不懂原理
这条我觉得是最值得警惕的，因为它短期内根本看不出问题，是那种”温水煮青蛙”式的能力空心化。
表现是：能用 AI 完成基本任务，但代码怎么跑起来的、原理是什么，心里没数。一旦报错，排查起来完全没头绪，因为压根没建立过对这段代码的心智模型，只是”验收”了 AI 给的结果。这跟以前”抄网上代码但不懂原理”是一个性质，只不过现在被 AI 放大了很多倍，规模更大、频率更高。
跟这个连着的还有两个问题：
- **分不清”能跑”和”对”**。以前初级和高级的差距主要在”写不写得出来”，现在这个差距正在往”能不能一眼看出这段代码写得对不对”迁移。这是一种新的能力——自己不用动手，但得能审、能挑错、能判断这方案合不合适。很多人分不清 AI 给的方案”能跑”和”合适”是两码事。
- 对 AI 的确定语气太信任。AI 回答问题时语气通常很自信，哪怕是错的。排查问题的时候尤其容易踩这个坑——AI 可能给一个听着很合理、实际是编出来的原因，你要是没有”多问一句为什么”、”回去查查原始文档”的习惯，很容易就被带偏了。
这类的核心是：AI 能干活，但替不了你理解思考。理解这件事，只能自己一点点消化吸收。
第四类：协作和沉淀
这两条不完全是技术问题，更多是习惯问题，但因为 AI 让写代码变快了，反而更容易暴露出来。
一是需求转译能力被弱化。以前写代码慢，倒逼自己动手前多想一下，跟上下游多对齐几遍。现在写起来太快了，容易跳过”确认清楚”这一步，出了问题才发现是理解错了需求。这其实是能力被 AI 掩盖了，不是被增强了。
二是变更记录跟不上改动量。AI 辅助下改动效率变高了，但如果没养成写清楚 commit message、PR 描述的习惯，改动量一大，回溯问题就很难——因为”为什么这么改”这个信息，本来应该沉淀在记录里，而不是靠人脑记。
很多人总是习惯不写文档，同时也厌恶别人的工作不写文档。以前是懒，现在有了 AI，也没改变太多，我见过有的工程是 AI 生成的，但就是没有 README，你要是问他，他就回复你“你让AI阅读生成一个呗”。
写在最后
这四类问题归总起来：AI 拉平了”写出能跑的代码”这件事，但完全没有拉平”理解系统、对结果负责”这件事。这个落差，也是现在很大的风险点。
如果非要说一个应对思路，我觉得是这样：设计和质量这块，多靠 code review 逼自己想清楚；系统协作这块，没有捷径，只能多接触真实的环境和故障；原理理解这块，得养成”讲得出来”的习惯，不能只会”跑得起来”；协作沉淀这块，就是别让 AI 的”快”骗了自己，该对齐的还是要对齐，该记的还是要记。
写这些不是想否定 AI，AI 确实让很多事情效率高了很多。只是效率高了之后，责任心和判断力这两样东西。现在一听到同事说“AI生成AI测试AI修复，管不了怎么多了，还看啥，随便搞搞差不多了，还手动编程，都啥时候了”，就觉得挺无语的，一到验收时候，他负责的模块各种问题。