佳文共赏 全部文章

AI已能快速生成代码，但衡量价值不应是“多久做出可运行版本”，而是“多久安全合并”。vibe coding适合低风险探索和原型验证，软件工程则要求责任边界、可审查变更、测试、回滚、运维、合规与长期维护。生成代码若缺乏解释和所有权，只会把成本转移给团队。真正差异不在工具，而在判断力、约束能力和对交付结果负责。

作者回应三位研发关于AI替代执行的焦虑，提出意图即实现的终态下，中间环节会消失，人类瓶颈转向评审与验证，工程师应向系统深处、新范式和AI基础设施迁移，守住判断力、品味、推演与主体性，把价值感从效率和岗位中解绑。

软件工程是观察AI就业影响的前沿样本，现有证据不支持“能力达标即大规模裁员”：许多AI裁员叙事实为财务压力或重组包装，就业仍在增长但增速放缓。AI主要压缩写代码等执行层，无法替代需求判断、系统理解、验证交付和责任承担，因此软件工程师总体需求可能保持健康，但个人职业将因技能、岗位和适应速度出现分化。

法国工程师Fabrice Bellard及其长期独立开发经历，说明FFmpeg、QEMU、TCC、QuickJS等项目如何成为视频处理、云虚拟化、编译器和运行时基础设施，并展示持续发布高影响力软件、以技术而非营销建立影响的路径。

Ed Zitron认为AI行业已陷入由OpenAI、Anthropic、NVIDIA、云巨头和风投共同维持的泡沫，核心矛盾是算力承诺、GPU销售、数据中心建设和真实收入之间数学上无法闭合；需求主要由少数AI公司和云厂商互相投喂制造，企业ROI不清、用户增长和利润率恶化，一旦数据中心融资放缓或OpenAI、Anthropic增速不达预期，将引发GPU减值、债务违约、云厂商收入缺口、供应链崩溃和风投清算，结论是AI泡沫不是是否破裂，而是何时以何种方式爆炸。

使用 Codex 回溯近30天会话、记忆与纪事，识别重复、高成本、可复用的工作流程，优先复用现有技能、子代理或自动化，只为高置信度缺口创建最小资产，并输出候选短名单、创建结果、跳过项及需更多证据的事项，避免推测、重叠和宽泛封装。能有效沉淀有用技能、子代理或自动化。

AI写作和学习工具正在制造低信息密度内容，并诱发“认知投降”：用户把思考、写作、判断交给AI。研究显示，直接给答案会削弱学习和判断，定制化引导则能提升成绩。关键不在是否使用AI，而在有意识地区分哪些任务可外包、哪些能力必须保留。

现代AI并非复制人类智能，也不是简单统计工具，而是学习并延展沉淀在人类语言中的认知结构，因此能生成流畅文本、代码和推理，却因缺乏与现实世界的直接经验而容易幻觉、组合推理失败、视觉理解脆弱。AI风险不在于其拥有自主意图，而在于无责任地放大未扎根现实的模式，可信AI必须依赖人类设计的治理、评估、审计和安全约束。

企业为证明AI工具投资价值，开始用AI生成代码行数、token消耗等指标衡量开发者生产力，但这些数字可被误触或刻意刷高，且与问题是否被正确解决无关；真正高效的工程往往是删减、简化和提升可靠性，按输出体量考核只会奖励无效活动，最终衡量的是订阅消耗而非生产力。

作者反驳“AI 编程只会快速制造低质代码”，主张用 LLM 放慢开发、提升质量：让多个模型联合审查 PR、交叉验证并排序缺陷，再由开发者筛选修复关键问题；这种方法未必提高产出速度，却能发现新旧漏洞、避免错误方案、加深对代码库理解，最终让 AI 成为谨慎、高质量编程的辅助工具。