在正文開(kāi)始之前，先說(shuō)一個(gè)結(jié)論：AI Coding 和 Vibe Coding 不是一回事。AI Coding 大有可為，但 Vibe Coding 勸你先冷靜。前者面向?qū)I(yè)開(kāi)發(fā)者，后者面向非專業(yè)開(kāi)發(fā)者。

近期，有非常多所謂 “ Vibe Coding 奇跡 ” 出現(xiàn)。

不論是曾經(jīng)的 AI 懷疑論者、Rust 大牛 Steve Klabnik 用 AI 寫(xiě)出新的編程語(yǔ)言 Rue，還是對(duì) AI 敵意頗大、曾嘲諷 “ AI 編程是垃圾 ” 的 Linux 發(fā)明者 Linus Torvalds 親自下場(chǎng) Vibe Coding。甚至近期有不少 Vibe Coding 出來(lái)的 ToC App 或網(wǎng)頁(yè)游戲一夜爆火，被切中痛點(diǎn)的用戶還相當(dāng)愿意買(mǎi)單。

AI 編程產(chǎn)品王者 Claude Code 也頻創(chuàng)神話，比如 1 小時(shí)復(fù)現(xiàn) Gemini API 負(fù)責(zé)人 Jaana Dogan 的團(tuán)隊(duì)花費(fèi)一年構(gòu)思的分布式 Agent 編排器，10 天復(fù)刻 “ Manus ” 也就是 Cowork 。

Redis 作者 Antirez 近期坦言道，大部分項(xiàng)目不再需要寫(xiě)代碼了，除非是為了興趣或好玩。

隨著 Anthropic 等廠商不斷完善編程工具套件，比如 Code Simplifier 等，代碼編寫(xiě)階段的難度也將變得越來(lái)越低。

越來(lái)越強(qiáng)大的 AI 編程工具甚至讓曾提供原始養(yǎng)料即 “ 代碼數(shù)據(jù) ” 的廠商變得越來(lái)越難過(guò)，比如讓 Stack Overflow 流量 “ 一夜回到剛發(fā)布 ”，比如 AI 讓 TailWind 使用量越來(lái)越大，卻讓發(fā)明者本人 Adam Wathan 的公司越來(lái)越難賺錢(qián)，被迫大幅裁員。

但實(shí)際上，大部分人關(guān)注到表面的喧囂，而沒(méi)有關(guān)注到一個(gè)極其重要的點(diǎn)——代碼復(fù)雜度。

那些復(fù)雜度很高的 Vibe Coding 產(chǎn)品，背后都有專業(yè)的工程師兜底和指引。那些復(fù)雜度很低又很火的 Vibe Coding 產(chǎn)品，幾乎秒被抄襲，且存在大量缺陷，比如可維護(hù)性、可擴(kuò)展性、安全風(fēng)險(xiǎn)等。

專業(yè)程序員也都會(huì)時(shí)刻強(qiáng)調(diào)，寫(xiě)代碼一直是開(kāi)發(fā)中最不重要的一步，決定代碼質(zhì)量上限的是 AI 尚不具備的深層業(yè)務(wù)理解和復(fù)雜架構(gòu)設(shè)計(jì)能力。

甚至近期 Cursor 讓 GPT-5.2 連續(xù)運(yùn)行 7 天寫(xiě)出的數(shù)百萬(wàn)行代碼的 Chrome 項(xiàng)目，最終被社區(qū)發(fā)現(xiàn)只是無(wú)法運(yùn)行、無(wú)法修復(fù)、無(wú)法復(fù)現(xiàn)的 “ AI 泔水 ”，連被稱為 “ 屎山代碼 ” 的資格都沒(méi)有，體現(xiàn)出復(fù)雜度提升給 AI 帶來(lái)的壓力。

確實(shí)當(dāng)下 AI 能驗(yàn)證可行的場(chǎng)景并不多，編程場(chǎng)景整體已經(jīng)算樂(lè)觀的了。Replit CEO Amjad Masad 前一陣子還坦言，現(xiàn)在真正能賺錢(qián)的 Agent 只有兩類，一類是 AI 客服，另一類是 AI 編程。

所以 AI 編程為何可行，天花板又在哪里？AI Coding 和 Vibe Coding 可行性判斷的底層邏輯是什么？為解答這些問(wèn)題，知危與多名業(yè)內(nèi)專家進(jìn)行了交流。

整體來(lái)看，專家們對(duì) AI Coding 保持樂(lè)觀，對(duì) Vibe Coding 的當(dāng)下表示質(zhì)疑。但專家們沒(méi)有否定 Vibe Coding 這個(gè)目標(biāo)的長(zhǎng)期合理性，只是我們需要清楚，Vibe Coding 目前只是資本市場(chǎng)的 “ AGI 愿景 ” 下的產(chǎn)物，和 “ 通用 Agent ” 概念一樣，有被過(guò)度炒作的風(fēng)險(xiǎn)。

認(rèn)清現(xiàn)狀，并解答如何以更理性的方式逐步達(dá)到 “ Vibe Coding ” 這個(gè)理想的結(jié)局，才是本次探討的目標(biāo)。這不僅適用于 Coding Agent 產(chǎn)品創(chuàng)業(yè)者和軟件產(chǎn)品創(chuàng)業(yè)者，也適用于當(dāng)下最焦慮的程序員。

本文有以下 9 個(gè)章節(jié)，您可按需觀看：

• 什么是 AI Coding 和 Vibe Coding？
• 對(duì) AI Coding 樂(lè)觀的本質(zhì)
• 對(duì) Vibe Coding 悲觀的本質(zhì)
• 國(guó)內(nèi)外差距依然存在
• 關(guān)鍵落地場(chǎng)景：舊代碼重構(gòu)
• 對(duì)傳統(tǒng) SaaS 市場(chǎng)的沖擊
• AI Coding 對(duì)程序員的影響
• 與 AI 協(xié)作之道
• 展望未來(lái)

在正式進(jìn)入討論前，還是要先把概念徹底理清楚。

平安保險(xiǎn)技術(shù)平臺(tái)組負(fù)責(zé)人張森森對(duì)知危表示，“從概念上來(lái)說(shuō)，AI Coding 就是開(kāi)發(fā)者利用大模型語(yǔ)言輔助開(kāi)發(fā)軟件，主要涵蓋：代碼編寫(xiě)、代碼調(diào)試、代碼重構(gòu)、測(cè)試過(guò)程等，目前最典型的工具其實(shí)還是 GitHub Copilot。” “這其中最重要的是，整個(gè)開(kāi)發(fā)流程基本上還是由系統(tǒng)的架構(gòu)師和負(fù)責(zé)人主導(dǎo)。AI 扮演的角色，如果按照敏捷研發(fā)的角度，更多是一個(gè) ‘ 角色程序員 ’。AI Coding 的核心工作目標(biāo)，還是針對(duì)工程效率的提升。” “到了 Vibe Coding 這個(gè)層面，有了新的變化。過(guò)去是人去適應(yīng)代碼，但 Vibe Coding 提倡的是 ‘ 擁抱這種指數(shù)級(jí)增長(zhǎng) ’，甚至可以完全忘記代碼的存在。它的基本邏輯是：程序員要適應(yīng)這種 ‘ Vibe（ 氛圍 ）’，通過(guò)感性和直覺(jué)去驅(qū)動(dòng)開(kāi)發(fā)。在這個(gè)模式下，用戶大部分是非專業(yè)開(kāi)發(fā)者，當(dāng)然不能簡(jiǎn)單地稱之為 ‘ 小白 ’，他們更多是業(yè)務(wù)人員、產(chǎn)品經(jīng)理或非技術(shù)背景的從業(yè)者在承擔(dān)開(kāi)發(fā)角色。”

“Vibe Coding 重點(diǎn)強(qiáng)調(diào)通過(guò) ‘ 自然語(yǔ)言描述意圖 ’ 來(lái)完成開(kāi)發(fā)，讓 AI 實(shí)現(xiàn)端到端的代碼生成，比如從理解需求到 UI 設(shè)計(jì)，從前端代碼生成到后端數(shù)據(jù)庫(kù)連接，甚至包括最后的部署工作。”

可以理解為，知危與各位專家在本文中定義的 “ AI Coding ” 和 2 月 5 日 Andrej Karpathy 回顧 Vibe Coding 一周年時(shí)提到的Agentic Engineering意思相近。

在 GitMe.ai 聯(lián)合創(chuàng)始人王威看來(lái)，以Claude Code、Cursor等產(chǎn)品為代表的AI Coding方向，并不存在泡沫，他向知危表示：“ 原因是，業(yè)界對(duì)于未來(lái) AI 的發(fā)展、AI 技術(shù)加持下的軟件交付和研發(fā)最終形態(tài)仍然沒(méi)有達(dá)成共識(shí)。”

“ 同時(shí)，雖然目前 AI 的迭代速度可能沒(méi)有 2022、2023 年那么快，但在 AI 編程賽道里，迭代速度仍然比較快。無(wú)論是 OpenAI、Anthropic 還是 Anysphere（ Cursor 所屬公司 ），每個(gè)月至少會(huì)有一兩個(gè)對(duì)市場(chǎng)有吸引力或者沖擊力的產(chǎn)品發(fā)布。”

“ 既然技術(shù)還在持續(xù)迭代，意味著用戶體驗(yàn)仍然不穩(wěn)定，也就是說(shuō)用戶在 AI 上的工作流程還沒(méi)有共識(shí)，還需要探索。探索階段沒(méi)有泡沫。”

“ 如果資本都注意到這個(gè)賽道，都愿意投資，可能會(huì)讓賽道略微喧囂，這是難免的。”

“倒退五年，當(dāng)時(shí)對(duì)于軟件工程，大家的共識(shí)是 ‘ DevOps 一定是行業(yè)未來(lái) ’，而且 DevOps 是可以講清楚的：從組織協(xié)作到 CI/CD 流水線，再到具體工程實(shí)踐，都有體系化描述。而今天 AI Coding 沒(méi)有這樣的體系化描述，因此我不認(rèn)為市場(chǎng)需求遠(yuǎn)小于創(chuàng)業(yè)公司和資本的投入，整個(gè)市場(chǎng)空間仍然很大。”

相對(duì)地，對(duì)于以 Lovable、Bolt.New 等產(chǎn)品為代表的主打 ‘ 一句話生成可用網(wǎng)站 ’ 的 Vibe Coding 方向，張森森并不看好，“Vibe Coding 的端到端特性，說(shuō)明它更多想通過(guò)略過(guò)技術(shù)層，提升創(chuàng)新速度，加速?gòu)南敕ǖ匠善返霓D(zhuǎn)化。所以Vibe Coding 其實(shí)真正在推動(dòng)的是全民研發(fā)，這是國(guó)外非常常見(jiàn)的概念，即讓非專業(yè)背景的人也能參與研發(fā)。”

“ 但是 Vibe Coding 在實(shí)踐中存在一個(gè)核心問(wèn)題，它完全依賴自然語(yǔ)言驅(qū)動(dòng)，并且是端到端生成的，這必然導(dǎo)致中間的很多生成環(huán)節(jié)具有高度的不可確定性。一旦程序復(fù)雜度一上去，且需要長(zhǎng)期維護(hù)，這種模式的弊端就會(huì)顯現(xiàn)。”

“用戶無(wú)法對(duì)系統(tǒng)進(jìn)行非常確定性的校驗(yàn)或掌控，系統(tǒng)非常脆弱，充滿各種漏洞，從而不可維護(hù)。所以我不是特別看好 Vibe Coding 方向，這類軟件本質(zhì)上就是即用即棄的一次性軟件。” 創(chuàng)新偏好和產(chǎn)出即用即棄的特點(diǎn)，分別表明了 Vibe Coding 產(chǎn)品的需求剛性和用戶持續(xù)付費(fèi)意愿都是存疑的。

在效率提升方面，AI Coding 的使用體驗(yàn)確實(shí)是驚人的，王威分享了很具體的例子，“最驚艷的點(diǎn)是它能夠完成新項(xiàng)目的快速啟動(dòng)。原來(lái)新項(xiàng)目的快速啟動(dòng)是很耗時(shí)的。比如我們過(guò)去做一個(gè)可交互原型需要一個(gè)四人團(tuán)隊(duì)兩周的時(shí)間，相當(dāng)于 40 人天，成本是很高的。”

“ 現(xiàn)在情況完全不同，AI 工具的月費(fèi)可能只有 10 美金、20 美金，可能只需要花 5 分鐘甚至更少時(shí)間就能完成這個(gè)工作。提升如此明顯，以至于我們都認(rèn)為這已經(jīng)不能稱為效率提升，而是完全顛覆了原來(lái)的工作方式。這意味著我們對(duì)人、流程、組織都需要重新做反復(fù)的思考。”

比如在人和流程這些方面，AI 編程對(duì)于促進(jìn)團(tuán)隊(duì)協(xié)作也能提供幫助，OneHouse Hudi Flink 負(fù)責(zé)人陳玉兆向知危表示，“ 比如代碼分析這一塊，尤其是對(duì)于新手或剛?cè)胄械膽?yīng)屆生。如果是過(guò)去，面對(duì)復(fù)雜項(xiàng)目時(shí)，需要一行行跟新同學(xué)解釋代碼是干嘛的，其實(shí)挺花時(shí)間的。如果現(xiàn)在有 AI 的幫忙，能讓新同學(xué)快速融入團(tuán)隊(duì)，并且對(duì)代碼有更深入的了解。”

“ 另外，在編程過(guò)程中，像 Cursor 有代碼提示功能，可以讓團(tuán)隊(duì)保持比較固定的代碼風(fēng)格。如果不斷告訴它團(tuán)隊(duì)趨向于用什么樣的風(fēng)格，那么代碼風(fēng)格層面也會(huì)更加統(tǒng)一。”

“ 最后，在測(cè)試這一塊，現(xiàn)在 AI 寫(xiě)測(cè)試的能力挺強(qiáng)的。Cursor 和 Claude Code 在這方面已經(jīng)比較成熟。復(fù)雜的端到端可能比較難，但是對(duì)于基礎(chǔ)類的、帶 Mock 上下文的那種單元測(cè)試，是沒(méi)有問(wèn)題的。我們甚至還在用國(guó)內(nèi)阿里的通義千問(wèn)來(lái)生成測(cè)試集，只需要簡(jiǎn)單改一下，基本上就可以直接去提 PR 了。”

“ 單元測(cè)試的代碼生成確實(shí)能節(jié)省很多 ‘ 苦活、臟活、累活 ’ 的時(shí)間，讓大家用來(lái)干別的事情。原來(lái)那種單元測(cè)試，要么是有同學(xué)懶得寫(xiě)，要么是寫(xiě)得不夠充分。現(xiàn)在有了 AI 工具，大家下意識(shí)地都會(huì)先用 AI 生成一遍，所以測(cè)試內(nèi)容寫(xiě)得更加豐富。”

Claude Code 曾經(jīng)分享過(guò) 13 個(gè)使用技巧，其中之一是 “ 給 Claude 一種驗(yàn)證工作的方式，最終結(jié)果質(zhì)量能提升 2-3 倍。” 現(xiàn)在這個(gè)質(zhì)量提升機(jī)制甚至能由模型自己完成，效率提升幅度也很大，“ 在寫(xiě)測(cè)試這一塊，大概幫我們節(jié)省了 30% 到 40% 左右的時(shí)間。”

專業(yè)的軟件開(kāi)發(fā)不會(huì)滿足于完成一個(gè)可行的原型或較為簡(jiǎn)單的測(cè)試場(chǎng)景，最終的目的是將原型重構(gòu)為企業(yè)級(jí)、生產(chǎn)級(jí)代碼，AI Coding 在這一塊也展現(xiàn)出了很強(qiáng)的執(zhí)行水平和協(xié)同能力。

陳玉兆表示，“ 代碼重構(gòu)主要是為了提升可用性和擴(kuò)展性（ 比如當(dāng)用戶從 10 萬(wàn)增長(zhǎng)到 100 萬(wàn)，需要相應(yīng)提升系統(tǒng)容量 ）而進(jìn)行的重構(gòu)。Claude Code確實(shí)比較擅長(zhǎng)代碼重構(gòu)。但要做好這一步，需要一個(gè)非常好的輸入和交互過(guò)程。”

“ 比如需要提供團(tuán)隊(duì)積累了十幾年的代碼風(fēng)格偏好，再給予足夠的上下文參考后，它會(huì)很好地幫你進(jìn)行重構(gòu)。但這個(gè)過(guò)程必須經(jīng)過(guò) Review。比如它會(huì)在 GitHub 上提 PR，由你來(lái) Review，這樣 Review 的粒度就會(huì)很細(xì)致。對(duì)每一個(gè) PR，只有當(dāng)你告訴它 ‘ OK，可以合并 ’ 時(shí)，它才會(huì)執(zhí)行，而不是無(wú)腦地直接把整個(gè)代碼庫(kù)全部替換掉，是一個(gè)受控的過(guò)程。它相當(dāng)于是一個(gè)程序員在和你溝通、協(xié)作。” “ 甚至你可以嘗試讓AI先寫(xiě)一些樣例代碼，然后告訴它哪里符合預(yù)期、哪里不符合預(yù)期。”

“ 通過(guò)這種不斷的溝通和調(diào)整過(guò)程來(lái)積累上下文，可以逐漸地調(diào)教AI到你想要的樣子。如果調(diào)教得比較好，除了代碼分析之外，代碼重構(gòu)應(yīng)該是 Claude Code 非常突出的一個(gè)能力。”

作為專業(yè)的開(kāi)發(fā)者，能非常清晰感受到 AI Coding 過(guò)程中，AI 模型本身的上限，比如單次獨(dú)立執(zhí)行任務(wù)的復(fù)雜度上限，對(duì)新增功能的理解能力，以及更廣義上的 Context 理解能力，這些感知也是開(kāi)發(fā)者把控何時(shí)接手、如何接手的標(biāo)尺。

比如在代碼重構(gòu)場(chǎng)景下，通常涉及的項(xiàng)目規(guī)模會(huì)很龐大，那么AI模型目前的單次獨(dú)立執(zhí)行復(fù)雜度上限是什么？

陳玉兆表示，“ 復(fù)雜度不能按整個(gè)倉(cāng)庫(kù)的代碼行數(shù)來(lái)評(píng)估，重構(gòu)應(yīng)該是按功能模塊為單位的。即使項(xiàng)目有 100 萬(wàn)行，也可以切分成 10 個(gè) 10 萬(wàn)行的模塊，甚至更細(xì)。項(xiàng)目越大，代碼文件間的引用和依賴關(guān)系就越像樹(shù)狀或圖狀，AI 工具會(huì)自行分析重構(gòu)功能覆蓋了哪些類及其復(fù)雜度。”

“AI 最擅長(zhǎng)的重構(gòu)場(chǎng)景包括：基礎(chǔ)邏輯轉(zhuǎn)換，比如重命名、代碼風(fēng)格變換；跨語(yǔ)言重構(gòu)，比如從 Java 切換到 Python，或者從 Scala 切換到 Java，這種邏輯對(duì)等的跨語(yǔ)言實(shí)現(xiàn)是 AI 最擅長(zhǎng)的事情；還有一種技巧是漸進(jìn)式重構(gòu)，可以先嘗試讓它重構(gòu)一個(gè)文件，通過(guò) ‘ 調(diào)教 ’ 讓它符合預(yù)期，再讓它按同樣的方式處理剩下的文件。”

“ 只要 Scope（ 作用域 ）足夠小，邏輯沒(méi)那么復(fù)雜，但需要投入大量精力去手動(dòng)處理的事情，AI 表現(xiàn)得非常出色，能節(jié)省很多時(shí)間。”

“AI 難以處理的重構(gòu)場(chǎng)景包括：高耦合核心邏輯，比如存儲(chǔ)引擎的內(nèi)核代碼，邏輯千絲萬(wàn)縷，‘ 剪不斷理還亂 ’；帶大量 ‘ 補(bǔ)丁 ’ 的邊緣場(chǎng)景，如果核心功能上下游依賴非常多，且有很多歷史遺留的邊緣 Case，打了很多補(bǔ)丁，重構(gòu)時(shí)必須非常仔細(xì)地 Review，小心這些補(bǔ)丁被 AI 忽略或重構(gòu)掉。”

“ 如果要更加精確、量化地描述，從模塊間依賴角度，比如覆蓋了四五十個(gè)模塊、兩百多個(gè)文件的這種代碼規(guī)模，尤其如果邏輯本身非常復(fù)雜，邊邊角角的邏輯又多，這種重構(gòu)就很難了，還是需要人來(lái)主導(dǎo)完成。”

基于金融業(yè)務(wù)場(chǎng)景，張森森提供了另一個(gè)層面的描述，“關(guān)于代碼復(fù)雜度的量化，可以根據(jù)項(xiàng)目的規(guī)模和業(yè)務(wù)深度來(lái)看 AI 的勝任可能性。Demo 級(jí)別基本上所有的 AI 都能勝任，成功率可以達(dá)到 95% - 99%。中型/獨(dú)立項(xiàng)目（ 如企業(yè)內(nèi)部小工具 ）AI 的表現(xiàn)依然不錯(cuò)，勝任率大概在 70% - 80% 左右。復(fù)雜業(yè)務(wù)系統(tǒng)（ 如涉及微服務(wù)、支付、鑒權(quán)、高并發(fā)系統(tǒng) ），這種情況下，AI 基本上只能做一些代碼補(bǔ)全。指望它通過(guò)理解來(lái)幫你完成代碼生成是不太現(xiàn)實(shí)的，勝任率最高可能只有 40% - 50% 。極高復(fù)雜度場(chǎng)景（ 如銀行系統(tǒng)重構(gòu) ），這種系統(tǒng)的代碼非常脆弱，任何微小的改動(dòng)都可能引發(fā)無(wú)法接受的后果，重構(gòu)需要 ‘ 手術(shù)刀式 ’ 的精細(xì)化操作，AI 的勝任率非常低，估計(jì)最多只有 20%。”

相對(duì)于代碼重構(gòu)主要面向舊代碼的處理，新增功能則需要添加大量新的業(yè)務(wù)邏輯。

陳玉兆明確表示，“ AI并不擅長(zhǎng)開(kāi)發(fā)新功能。我們開(kāi)發(fā)新功能都沒(méi)有用過(guò) AI。”

“ 因?yàn)殚_(kāi)發(fā)新功能的邏輯更加復(fù)雜。作為高級(jí)工程師或資深工程師，我們都要耗費(fèi)很長(zhǎng)時(shí)間。首先是立項(xiàng)一個(gè) Idea，然后大家出初始方案，進(jìn)行一輪輪的討論。我們需要權(quán)衡 A、B、C 好幾種方案，分析每種方案的優(yōu)勢(shì)和缺點(diǎn)。最后拍板決定選哪種方案，定下基本的架構(gòu)框架和接口（ API ）長(zhǎng)什么樣子。寫(xiě)代碼只是最后一步。這么復(fù)雜的決策和設(shè)計(jì)過(guò)程， AI 是 Cover 不了的。”

“ 它無(wú)法完成這個(gè)過(guò)程，因?yàn)樾枰纳舷挛牟粌H多，也很難從工程師思維中顯式地提取。決策的過(guò)程非常復(fù)雜，高度依賴工程師本身的技術(shù)敏感度和經(jīng)驗(yàn)，比如在進(jìn)行技術(shù)選型時(shí)，工程師會(huì)有很多的權(quán)衡，AI 目前還沒(méi)有辦法完全像人一樣去思考，也不具備人類那種長(zhǎng)年累月積累的經(jīng)驗(yàn)和敏感性。”

即便隱性上下文能提取出來(lái)，如果規(guī)模太大，目前的模型大概率也承載不下，張森森表示，“ Cursor 目前采用 RAG 來(lái)緩解這個(gè)問(wèn)題，但業(yè)內(nèi)其實(shí)還沒(méi)有針對(duì)長(zhǎng)上下文完全完美的解決方案。雖然像 Gemini 這樣的模型正在嘗試通過(guò)不斷擴(kuò)大上下文長(zhǎng)度來(lái)解決，但長(zhǎng)度終歸是有上限的。在早期，Cursor 的對(duì)話進(jìn)行到 10 輪左右，邏輯就開(kāi)始出現(xiàn)偏差，目前國(guó)內(nèi)大部分 AI 編程軟件基本也處于這個(gè)水平。”

“ 不過(guò)，隨著 Claude 或 Gemini 的長(zhǎng)上下文能力的提升，這個(gè)問(wèn)題正在逐步改善。未來(lái)，我們只能期盼大模型技術(shù)對(duì) Token 容量支持的進(jìn)一步發(fā)展，從底層技術(shù)層面來(lái)徹底解決細(xì)節(jié)遺忘的問(wèn)題。”

Vibe Coding 的產(chǎn)出基本都是一次性軟件，但也不代表這個(gè)方向的所有產(chǎn)品都一無(wú)是處，其中 Lovable 是比較受到認(rèn)可的。

張森森表示，“ Lovable 相比 Cursor 有一些創(chuàng)新，比如它能實(shí)時(shí)地把業(yè)務(wù)界面跑給用戶看，讓用戶看到即時(shí)的效果。生成完成后，用戶還可以用 UI 交互的方式直接在界面上進(jìn)行框選，指出具體的問(wèn)題在哪里，并直接教 AI 怎么去修改。”

盡管有這些亮點(diǎn)，但 Lovable 也避免不了 Vibe Coding 天生的問(wèn)題，“ 它的代碼維護(hù)性極差，基本上產(chǎn)生的都是 ‘ 屎山代碼 ’。比如到第十輪生成時(shí)，把第一輪的一個(gè)底層邏輯搞壞了，之后就根本無(wú)法進(jìn)行有效的 Debug。”

“ 在產(chǎn)品開(kāi)發(fā)上，普通的 Dashboard 落地確實(shí)非常快，一旦涉及到復(fù)雜算力、高并發(fā)處理、特殊硬件交互，或者是非常精細(xì)的動(dòng)畫(huà)邏輯，Web 開(kāi)發(fā)就顯得很吃力。對(duì)于具有復(fù)雜跳轉(zhuǎn)和狀態(tài)關(guān)聯(lián)的邏輯（ 例如：從點(diǎn) A 跳到 B、C、D，且 D 與 A 之間存在邏輯閉環(huán)，需保證特定狀態(tài)同步 ），目前市面上沒(méi)有一個(gè)產(chǎn)品做得好。”

“ 雖然 Claude 算是不錯(cuò)的，Gemini 最近的前端表現(xiàn)也讓人感到 Surprise。但如果要處理復(fù)雜的工程項(xiàng)目，指望用 Vibe Coding 來(lái)搞簡(jiǎn)直是天方夜譚。”

“ 所以 Lovable 再優(yōu)秀，做的也仍然是一次性工程的生成。”

盡管 Vibe Coding 有如此大的限制，但類似產(chǎn)品依然層出不窮，更廣義來(lái)看，“ 一句話生成 ” 或 “ 端到端 ” 的 AI 產(chǎn)品頻繁在社交媒體上爆火、號(hào)稱數(shù)千萬(wàn)甚至上億美元估值，這背后的底層邏輯是什么？

張森森表示，“ 對(duì)于 Vibe Coding 的應(yīng)用邊界，我的建議非常明確：如果一定要用 Lovable 去做一個(gè)復(fù)雜的項(xiàng)目，我建議立即 ‘ 停手 ’。”

“ 但資本市場(chǎng)的思考邏輯完全不同。資本市場(chǎng)看重的是 ‘ 端到端 ’ 的愿景。在投資者眼中，這是未來(lái)必須發(fā)展的方向。就像現(xiàn)在大家談?wù)摯竽Ｐ蜁r(shí)，已經(jīng)不再只談?wù)撃Ｐ捅旧恚侵苯又赶?AGI。資本市場(chǎng)對(duì) AI 的熱望已經(jīng)上升到了全新的層面，投資邏輯早已超越了簡(jiǎn)單的代碼補(bǔ)全，到了讓 ‘ 具身智能 ’ 滿世界飛、滿世界跑的層面了。”

“ 所以，從資本角度來(lái)看，Lovable（ 或同類 Vibe Coding 產(chǎn)品 ）的邏輯是一定成立的，這代表了未來(lái)。”

“ 但它能不能活到資本實(shí)現(xiàn)宏大目標(biāo)的那一天，全看它自己的造化。”

“ 相比之下，Cursor、Windsurf 以及一些新興的集成開(kāi)發(fā)工具（ 如 Google Antigrativity ），生存邏輯就很務(wù)實(shí)，他們也認(rèn)同 Lovable 的端到端邏輯是長(zhǎng)遠(yuǎn)趨勢(shì)，但為了 ‘ 當(dāng)下能活下去 ’，為了適配現(xiàn)有的技術(shù)實(shí)踐，他們選擇了超級(jí)編輯器這種模式。”

“ 在專業(yè)工程師眼里，那些 Vibe Coding 產(chǎn)品東西更像是個(gè)玩具，但資本愿意買(mǎi)賬。”

“因此，我預(yù)計(jì) Cursor 目前的營(yíng)收能力一定會(huì)遠(yuǎn)強(qiáng)于 Lovable。Cursor 面向的是實(shí)實(shí)在在的開(kāi)發(fā)者，是在為能創(chuàng)造價(jià)值的生產(chǎn)力過(guò)程做增值。 Lovable 這類產(chǎn)品的邏輯完全不同，它主要收割資本、股民、想走捷徑的小白用戶。”

“ 當(dāng)然，在這場(chǎng)資本游戲中，投資人也不一定會(huì)是 ‘ 倒霉 ’ 的那一個(gè)，關(guān)鍵看誰(shuí)在玩這出‘擊鼓傳花’的游戲。投資人可能也根本不在乎這個(gè)事（ 產(chǎn)品能不能最終落地 ），他們只要是第一個(gè)把這個(gè)故事推出來(lái)、講得很明白的人就行。只要確保自己不是最后一個(gè)接棒的人，他們就能在泡沫破裂前成功套現(xiàn)退出。”

“和創(chuàng)業(yè)者一樣，投資人也在賭，賭自己投的方向能夠隨著技術(shù)的快速迭代，最終把那些現(xiàn)在聽(tīng)起來(lái)不可思議甚至是純粹 ‘ 做夢(mèng) ’ 的故事，轉(zhuǎn)化為真實(shí)的生產(chǎn)力。”

“ 而之所以這個(gè)游戲能玩下去，也是因?yàn)楝F(xiàn)在 AI 技術(shù)發(fā)展的速度確實(shí)已經(jīng)基本上超過(guò)了想象。”

在理清 AI Coding 和 Vibe Coding 在工程和資本層面的本質(zhì)之后，也要了解到，當(dāng)前國(guó)內(nèi)外 AI Coding 的差距仍然客觀存在。

某大型金融科技公司 AI 技術(shù)專家李楠（ 化名 ）向知危表示，“目前國(guó)內(nèi)大廠的 Coding Agent 產(chǎn)品整體表現(xiàn)都不太行，大家都在努力做一個(gè)國(guó)外產(chǎn)品的 ‘ 平替 ’。比如做 Claude Code 或 Cursor 的國(guó)內(nèi)替代版本。”

“目前還沒(méi)有看到哪家公司能真正從行業(yè)邏輯或者從編程范式發(fā)展的深度，提出比較有創(chuàng)新性的見(jiàn)解。當(dāng)然這跟底層模型的理解與能力有直接關(guān)系。”

“ 國(guó)內(nèi) AI 編程模型雖然跑分上表現(xiàn)得很好，隨時(shí)跑到 SOTA 水平，但其實(shí)有一個(gè)限制使得最后要達(dá)到天花板是非常吃力的，因?yàn)榇蟛糠謬?guó)產(chǎn)大模型公司十之有九做的都是蒸餾模型，他們自己有沒(méi)有能力去做訓(xùn)練數(shù)據(jù)呢？其實(shí)很困難。”

“困難不在于技術(shù)，大模型在技術(shù)上是沒(méi)有秘密的，而在于硬件的匱乏，工程整合能力可能稍微弱一些，以及訓(xùn)練數(shù)據(jù)沒(méi)有國(guó)外豐富。我們雖然也有碼云這樣的平臺(tái)做代碼管理和存儲(chǔ)，但里面高質(zhì)量的代碼還是非常少的，比不上 GitHub。”

近年來(lái)，國(guó)內(nèi)大廠也紛紛推出自己的 AI Coding 產(chǎn)品，產(chǎn)品結(jié)構(gòu)和 Cursor 等 AI IDE 都是類似的，面向全球市場(chǎng)，可以使用國(guó)內(nèi)外的開(kāi)源、閉源大模型，“ 國(guó)內(nèi)大廠紛紛發(fā)力 AI Coding 海外版產(chǎn)品，背后的邏輯非常現(xiàn)實(shí)：付費(fèi)意愿。海外用戶（ 尤其是歐美市場(chǎng) ）已經(jīng)培養(yǎng)了良好的 SaaS 付費(fèi)習(xí)慣，出海是實(shí)現(xiàn)商業(yè)變現(xiàn)的 ‘ 捷徑 ’。更何況，在海外市場(chǎng)，這些產(chǎn)品可以無(wú)縫套用 GPT-5 或Gemini 等國(guó)際頂尖模型。”

“我親自試用了國(guó)內(nèi)某大廠的 AI Coding 產(chǎn)品，整體評(píng)價(jià)是 ‘ 還行 ’。目前該產(chǎn)品還處于免費(fèi)階段，即便要訂閱也比 Cursor 更便宜。我在其海外版官方 Discord 社區(qū)觀察到，外國(guó)人的使用者非常多，很多外國(guó)人也不想花錢(qián)訂閱 Cursor。”

“ 即便調(diào)用的模型是一樣的，從結(jié)果來(lái)看，至少我用 Cursor 寫(xiě)的代碼，質(zhì)量會(huì)比這個(gè)產(chǎn)品高非常多。雖然它被視為 Cursor 的免費(fèi)平替，但兩者的差距非常明顯。”

“ 具體而言，Cursor 比較厲害的點(diǎn)在于它更傾向于對(duì)研發(fā)行為的預(yù)測(cè)，它通過(guò)閱讀代碼，能大概預(yù)知你下一步要做什么。而這個(gè)產(chǎn)品更像是 Lovable 和 Cursor 的中間態(tài)，兩者在上下文管理上的差距很明顯。Cursor 的索引管理技術(shù)非常成熟，加上基于 RAG 的代碼庫(kù)檢索，能讓開(kāi)發(fā)者遵循一定的 I/O 行為規(guī)則，使得它在處理超大型規(guī)模代碼時(shí)，速度快很多。相比之下，這個(gè)產(chǎn)品目前在處理超大項(xiàng)目時(shí)不如 Cursor 快。”

“ 總體來(lái)看，這個(gè)產(chǎn)品還是更傾向于全自動(dòng)、端到端地完成所有任務(wù)，實(shí)際上更接近 Lovable 的定位。甚至可以說(shuō)，國(guó)內(nèi)大廠的 AI Coding 產(chǎn)品，本質(zhì)上也是在面向未來(lái)的資本方收割市場(chǎng)，偏向 Vibe Coding，而不是 AI Coding。”

“但其實(shí)最終繞不開(kāi)的，還是數(shù)據(jù)安全問(wèn)題。這雖然是全球性的問(wèn)題，比如 Cursor 在應(yīng)用內(nèi)直接提供了隱私選項(xiàng)，可以保證代碼不存儲(chǔ)在云端，也不作為訓(xùn)練數(shù)據(jù)。而國(guó)內(nèi)的情況有所不同。”

“ 為什么國(guó)內(nèi)公司不太愿意把編程工具換成國(guó)內(nèi)大廠的 AI Coding 產(chǎn)品？這不僅僅是技術(shù)問(wèn)題，更是更復(fù)雜的商業(yè)考量，即擔(dān)心自己的代碼泄漏或被這些編程產(chǎn)品廠商獲取。”

“很多公司非常注重自己的知識(shí)產(chǎn)權(quán)保護(hù)。使用這種需要掃描全量代碼的 AI IDE，用戶心理上會(huì)感到害怕。目前大家確實(shí)有在討論這個(gè)產(chǎn)品可能會(huì)有數(shù)據(jù)的回傳，如果是一些金融科技類的公司，擔(dān)憂會(huì)更加強(qiáng)烈。”

“ 那么使用國(guó)內(nèi)產(chǎn)品時(shí)如何應(yīng)對(duì)這個(gè)風(fēng)險(xiǎn)呢？面上和實(shí)際操作不一樣。面上的話，企業(yè)可以跟模型廠商簽合同，表明廠商不可以把用戶數(shù)據(jù)用于自己的模型訓(xùn)練，此外模型廠商需要做出所謂“ memory in read committed ”的技術(shù)記憶清除承諾。但是讓企業(yè)跟國(guó)內(nèi)大廠簽，企業(yè)會(huì)放心嗎？各種商業(yè)瑕疵、實(shí)際丑聞讓這事變得幾乎無(wú)意義。我們的商業(yè)環(huán)境不足以支撐這個(gè)信任度。”

“ 所以，公司跟供應(yīng)商去談數(shù)據(jù)安全承諾沒(méi)用，還是要回到公司內(nèi)部如何解決外部威脅的問(wèn)題上。解決辦法就是在公司內(nèi)部做一個(gè)網(wǎng)關(guān)。通過(guò)這個(gè)網(wǎng)關(guān)去管控，明確哪些數(shù)據(jù)能夠流出，哪些不能。除此之外，其實(shí)沒(méi)有任何方式能夠真正約束這些供應(yīng)商。”

不僅是不敢用，面對(duì)發(fā)展迅猛的 AI Coding 技術(shù)，國(guó)內(nèi)企業(yè)的落地方式總是顯得更加保守。畢竟，創(chuàng)新用途也不是 Vibe Coding 的專屬，效率提升本來(lái)就會(huì)促進(jìn)創(chuàng)新增長(zhǎng)。

王威表示，“ 過(guò)去因?yàn)殚_(kāi)發(fā)成本很高，我們需要盡可能把想法先想清楚，避免浪費(fèi)，然后再進(jìn)入交付管道。今天如果 AI Coding 帶來(lái)的交付成本足夠低，就可以做更多探索，產(chǎn)品交付的形式或者與客戶的交互節(jié)奏也可以更快。這里的成本主要指時(shí)間成本。”

“ 這其實(shí)給企業(yè)帶來(lái)了更多快速創(chuàng)新的可能，而不僅僅是幫助企業(yè)減員。”

“ 但今天很多行業(yè)，尤其在國(guó)內(nèi)，可能因?yàn)榄h(huán)境或競(jìng)爭(zhēng)態(tài)勢(shì)，新需求并不多。大家不太愿意創(chuàng)新。”

“如果只是想著節(jié)省時(shí)間、減少人手，實(shí)際上并不能真正推動(dòng)業(yè)務(wù)增長(zhǎng)。減再多的人，也解決不了企業(yè)在市場(chǎng)上能否做得好的問(wèn)題。”

即便有足夠強(qiáng)的動(dòng)力，要利用好 AI Coding 也不是沒(méi)有門(mén)檻的，但有些企業(yè)的 Context 環(huán)境還夠不上讓 AI 正常發(fā)揮的下限，一大原因就是沒(méi)有挖掘出企業(yè)中的隱性知識(shí)，但又希望 AI 直接能理解。

王威表示，“ 要為 AI Coding 構(gòu)建一個(gè)好的 Context，需要先做企業(yè)知識(shí)提取和管理。其實(shí)這個(gè)方向并不新，從上世紀(jì) 70、80 年代起，很多企業(yè)包括一些咨詢公司甚至 IBM ，都在做企業(yè)知識(shí)管理，這是一個(gè)很專業(yè)的咨詢范疇。這個(gè)方向市場(chǎng)空間還很大，目前從行業(yè)來(lái)看，還沒(méi)有太好的解決辦法。”

“ 現(xiàn)在這個(gè)行業(yè)的做法有一些問(wèn)題，大部分咨詢公司、產(chǎn)品公司、AI 公司仍然希望用 AI 暴力破解，相當(dāng)于大力出奇跡的方式，得到一個(gè)準(zhǔn)確的結(jié)果，我不太看好這種方式。”

“AI 理解 Context 的能力雖然越來(lái)越好，但理解不了代碼背后蘊(yùn)藏的隱性知識(shí)。它只能挖掘現(xiàn)有代碼的結(jié)構(gòu)，用自然語(yǔ)言解釋代碼在做什么，很難真正理解代碼為什么當(dāng)初要寫(xiě)成這個(gè)樣子。”

“ 很多時(shí)候，代碼里一些比較麻煩或復(fù)雜的地方，之所以寫(xiě)成那樣，是有背后的原因的，而這些原因顯然也是知識(shí)的一部分。”

“ 如果不了解背后的原因，僅僅按照一些標(biāo)準(zhǔn)建議去做，比如說(shuō) ‘ 這兩個(gè)代碼不應(yīng)該被拆開(kāi) ’，很可能就會(huì)觸發(fā)在五六年前已經(jīng)解決過(guò)的問(wèn)題，又把它復(fù)現(xiàn)出來(lái)。”

“ 知識(shí)管理有一個(gè)很重要的原則，就是要區(qū)分哪些是大家有共識(shí)的標(biāo)準(zhǔn)，哪些只是偶然情況或不得不臨時(shí)處理的情況。有些企業(yè)雖然有代碼規(guī)范，但每個(gè)人寫(xiě)代碼時(shí)都有自己的偏好。”

“ 規(guī)范性比較強(qiáng)的企業(yè)，在接入像 Glean 這樣的文檔生成工具，或者 DeepWiki 這樣的源碼分析工具時(shí)，效果就比較好。這樣的代碼容易被 AI 理解，輸出結(jié)果也更加準(zhǔn)確。”

“ 我估計(jì)，在整個(gè)行業(yè)里，這樣的規(guī)范代碼庫(kù)最多占到 30% 到 40%，而在國(guó)內(nèi)可能最多只有 5%。”

“ 這當(dāng)然是老問(wèn)題了。大部分代碼，大家戲稱為 ‘ 屎山代碼 ’，過(guò)去我們叫它遺留代碼、爛代碼。因?yàn)闀r(shí)間和各種壓力，開(kāi)發(fā)者沒(méi)辦法把代碼寫(xiě)得整齊，也沒(méi)時(shí)間去做重構(gòu)，這樣代碼就很難和業(yè)務(wù)語(yǔ)義保持一致，于是就需要在業(yè)務(wù)、技術(shù)、代碼之間不停做翻譯。”“ 這種情況下，其實(shí)就是 AI Coding 不太能發(fā)揮作用的地方，至少今天的基座模型不太能應(yīng)付。”

“ 我們通過(guò)自己的方案，在一些案例中，能把這項(xiàng)工作的耗時(shí)從一個(gè)月壓縮到 5 到 10 分鐘。但即便如此，有些企業(yè)可能受限于所在行業(yè)的發(fā)展，或者上下游供應(yīng)鏈的情況，缺乏創(chuàng)新或改變的動(dòng)力。即便企業(yè)知識(shí)管理對(duì)他們有價(jià)值，優(yōu)先級(jí)也不高。當(dāng)然，隨著經(jīng)濟(jì)的恢復(fù)和發(fā)展，這類需求的優(yōu)先級(jí)應(yīng)該會(huì)被提高，并進(jìn)一步促進(jìn) AI Coding 的落地。”

從企業(yè)知識(shí)管理到舊代碼重構(gòu)，都能為 AI Coding 提供良好的 Context。這個(gè)關(guān)系甚至能形成一個(gè)閉環(huán)，比如今年就有言論表示舊代碼重構(gòu)是 AI Coding 落地的投資回報(bào)率最高的場(chǎng)景。

陳玉兆表示，“ 舊代碼重構(gòu)本身是非常痛苦且耗時(shí)的，尤其對(duì)新人極不友好。現(xiàn)在行業(yè)離職率挺高，很多項(xiàng)目維護(hù)了十幾年，老員工相繼離職，招進(jìn)來(lái)的應(yīng)屆生想要快速深入了解代碼并進(jìn)行重構(gòu)非常困難。”

“如果能有一個(gè) AI 工具，快速把基礎(chǔ)類的風(fēng)格統(tǒng)一、清除冗余方法，是一件非常好的事情。在此基礎(chǔ)之上再去重構(gòu)復(fù)雜功能，會(huì)節(jié)省大量時(shí)間。即便是平時(shí)開(kāi)發(fā)中碰到舊代碼風(fēng)格不一致或?qū)崿F(xiàn)低效，把這些小的代碼片段交給 AI 重構(gòu)成更高效的實(shí)現(xiàn)，收益也很明顯。”

“ 如果是我的話，我有意愿去購(gòu)買(mǎi)這種服務(wù)。”

“ 歸根結(jié)底，這個(gè)場(chǎng)景 ROI 最高的核心原因在于：現(xiàn)在的 AI 還沒(méi)那么智能，它能做的就是這種邏輯簡(jiǎn)單但極其費(fèi)時(shí)、瑣碎的事情。而這些事情恰恰又是程序員最不愿意做的。”

張森森則認(rèn)為，基于 AI Coding 做舊代碼重構(gòu)是有場(chǎng)景限制的，“ 舊代碼重構(gòu)是 AI 編程中投資回報(bào)率最高的，這在邏輯上沒(méi)有問(wèn)題。像銀行那樣的系統(tǒng)，代碼是經(jīng)過(guò) 10 年、20 年層層堆疊出來(lái)的，系統(tǒng)極其脆弱。越是復(fù)雜的場(chǎng)景，可能越是當(dāng)下迫切需要的功能，邏輯上它的 ROI 確實(shí)很高。當(dāng)然我不認(rèn)為現(xiàn)在的 AI 水平能完全支撐把這件事真正落地。它本質(zhì)上解決的是業(yè)務(wù)價(jià)值判斷和避開(kāi) ‘ 局部最優(yōu)陷阱 ’ 的問(wèn)題，而只有人才能判斷出哪里改起來(lái)快、哪里改起來(lái)慢，所以全局的洞察必須由人來(lái)把握。”

“ 那么，市場(chǎng)上到底有多少程序員擁有看透復(fù)雜邏輯并主導(dǎo)重構(gòu)的能力？我對(duì)這個(gè)人才儲(chǔ)備量是持懷疑態(tài)度的。”

生成、重構(gòu)的良性循環(huán)模式，或許能帶來(lái)一個(gè)希望。國(guó)內(nèi) SaaS 行業(yè)的老問(wèn)題是各公司甚至各部門(mén)之間技術(shù)標(biāo)準(zhǔn)不統(tǒng)一、重復(fù)造輪子。以 AI 為效率驅(qū)動(dòng)器，來(lái)推動(dòng)舊代碼重構(gòu)和規(guī)范化，能解決這個(gè)老問(wèn)題嗎？

對(duì)此，陳玉兆給出了完全否定的回答，“ 我覺(jué)得不能，國(guó)內(nèi)沒(méi)有任何希望，因?yàn)檫@是國(guó)內(nèi)的行業(yè)風(fēng)氣導(dǎo)致的，不是技術(shù)的問(wèn)題。”

“ 不光是軟件領(lǐng)域，商業(yè)領(lǐng)域也是一樣，不管是短視頻平臺(tái)、外賣平臺(tái)，大家最后都是做電商。國(guó)內(nèi)的風(fēng)格就是什么賺錢(qián)快就先做什么，做大做強(qiáng)之后就什么都想做，想吃掉對(duì)方。”

“ 即便在技術(shù)行業(yè)，比如做數(shù)據(jù)庫(kù)也是一樣，功能越堆越多。國(guó)內(nèi)的風(fēng)格不是走 ‘ 垂直 ’ 路線，而是想把所有東西都塞進(jìn)去：既想支持倒排索引、文檔功能，又想支持 AI 向量檢索，同時(shí)還想兼顧傳統(tǒng)的 OLTP 場(chǎng)景和 OLAP 場(chǎng)景。這種 ‘ 大雜燴 ’ 趨勢(shì)和國(guó)外完全不同。”

“ 國(guó)外的系統(tǒng)相對(duì)純粹很多，追求小而精、可擴(kuò)展、可部署。尤其是在 AWS 等云廠商上對(duì)接時(shí)，他們傾向于把平臺(tái)做得盡量垂直。”

“ 由于這種根深蒂固的差異，想在國(guó)內(nèi)推技術(shù)標(biāo)準(zhǔn)，實(shí)在是太難太難。”

技術(shù)驅(qū)動(dòng)讓位于行業(yè)風(fēng)氣，或許又從某種角度解釋了國(guó)內(nèi) ToB 企業(yè)為何創(chuàng)新動(dòng)力不足。當(dāng)然 AI 確實(shí)能先激發(fā)企業(yè)的競(jìng)爭(zhēng)焦慮，張森森表示，“ 為了在市場(chǎng)競(jìng)爭(zhēng)和效率競(jìng)爭(zhēng)中不掉隊(duì)，使用 AI Coding 這件事沒(méi)有回旋余地，必須 100% 推進(jìn)。”

但若創(chuàng)新動(dòng)力不足或無(wú)暇顧及，實(shí)際上在 AI Coding 浪潮下，很多傳統(tǒng) SaaS 公司將面臨更深刻的危機(jī)。

張森森表示，“很多 SaaS 公司現(xiàn)在其實(shí)活得 ‘ 戰(zhàn)戰(zhàn)兢兢 ’。因?yàn)橛写罅?SaaS 產(chǎn)品的程序和代碼質(zhì)量非常差，以前大家可能需要買(mǎi)他們的軟件，但現(xiàn)在利用 AI，可能幾天時(shí)間用戶就能自己做出一個(gè)類似的東西。對(duì)于這些 SaaS 公司來(lái)說(shuō)，最大的風(fēng)險(xiǎn)在于，他們系統(tǒng)所能提供的端到端解決問(wèn)題的能力其實(shí)非常有限。一旦 AI 降低了開(kāi)發(fā)門(mén)檻，他們?cè)械募夹g(shù)壁壘就會(huì)迅速瓦解。”

“ 具體而言，這些公司可以分為兩種：第一種是 SaaS 化產(chǎn)品做得非常復(fù)雜的公司。這種產(chǎn)品的邏輯 AI 是無(wú)法簡(jiǎn)單復(fù)刻的，這類公司可以考慮利用 AI 來(lái)優(yōu)化代碼或提升內(nèi)部流程。第二種是做小工具的公司。比如以前上架到 App Store 的番茄鐘，這種東西現(xiàn)在人人都能自己做一個(gè)。在 AI 輔助下，通過(guò) Cursor 之類的工具 ‘ 咔咔一下 ’ 就出來(lái)了。那現(xiàn)在的番茄鐘還能賣錢(qián)嗎？”

番茄鐘或許門(mén)檻太低，但有一類 SaaS 產(chǎn)品門(mén)檻不低，卻因?yàn)楹?AI Coding 定位太過(guò)于接近，正面臨最大生存危機(jī)。

王威表示，“ 原來(lái)的低代碼、零代碼平臺(tái)效果其實(shí)都不好。以我們過(guò)去做咨詢的經(jīng)驗(yàn)來(lái)看，這類低代碼平臺(tái)對(duì)企業(yè)來(lái)說(shuō)，并不是最佳投資策略。低代碼最終只能實(shí)現(xiàn)一些排列組合式的功能，難以滿足真正個(gè)性化的需求。如果你想做一個(gè)軟件產(chǎn)品，最核心的是理解用戶需求和邏輯（ 他們的 journey 是怎樣的 ）。真正理解這些的時(shí)候，你就會(huì)發(fā)現(xiàn)低代碼平臺(tái)要么封裝顆粒度太大，不夠靈活，要么顆粒度太小，又需要花大量時(shí)間去做編排，還不如自己寫(xiě)代碼。”

“ 另外，我個(gè)人看過(guò)的低代碼平臺(tái)普遍存在一個(gè)問(wèn)題：可測(cè)性不夠好，尤其是單元測(cè)試和模塊間的集成測(cè)試，復(fù)雜度反而上去了。”

“ 而今天有了 AI，你可以特別快地生成原型。只需要告訴 AI 我想要什么樣的 App，用戶習(xí)慣大概如何，界面大概長(zhǎng)什么樣，原型就出來(lái)了。所以在 AI 時(shí)代，低代碼的優(yōu)勢(shì)可能會(huì)被 AI 的快速原型和高度定制化能力所取代。

張森森的觀點(diǎn)基本一致，“低代碼平臺(tái)很有可能被 AI 取代。低代碼平臺(tái)最大的問(wèn)題，和現(xiàn)在的 Agent 是一樣的，就是一幫程序員自我感動(dòng)想出來(lái)的東西。他們希望搞一個(gè)平臺(tái)，讓業(yè)務(wù)人員通過(guò)拖拉拽就能搞出 Agent 或者頁(yè)面。”

“ 但實(shí)際上，沒(méi)有一個(gè)業(yè)務(wù)人員真的愿意用這種工具去拖拉拽出一個(gè)端到端的結(jié)果。大家都是迫于公司需要，或者沒(méi)人幫忙干，才只能自己干。但凡業(yè)務(wù)人員能找到研發(fā)人員來(lái)干活，都不會(huì)自己動(dòng)手的。”

“實(shí)際上，這個(gè)需求存在了很多年，因?yàn)檫@個(gè)故事講得很通順：通過(guò)業(yè)務(wù)人員拖拉拽生成頁(yè)面來(lái)減少開(kāi)發(fā)人員。資本市場(chǎng)認(rèn)可這個(gè)故事，在公司內(nèi)部只要瘋狂推行、壓迫業(yè)務(wù)人員去用，最終也會(huì)有人用。”

“ 但大部分情況下，都變成了一種尷尬境地：業(yè)務(wù)人員真的不想用，覺(jué)得拖拉拽太扯淡、太惡心。即便是實(shí)現(xiàn)一些簡(jiǎn)單的邏輯，它可能能幫你做，但做完之后又實(shí)現(xiàn)不了真正的業(yè)務(wù)目標(biāo)，業(yè)務(wù)人員就卡在一個(gè)兩難之間了。”

“ 最重要的是，拖拉拽操作是有學(xué)習(xí)成本的，業(yè)務(wù)人員為什么要學(xué)呢？對(duì)于一個(gè)計(jì)算機(jī)小白，這等于瘋狂地學(xué)一樣新東西。但有些業(yè)務(wù)人員說(shuō)不定連學(xué) Excel 都覺(jué)得費(fèi)勁，精通 Excel 的人本來(lái)也不多。拖拉拽在程序員或懂技術(shù)的人看來(lái)是很簡(jiǎn)單的，但他們完全沒(méi)有站在真正用戶的角度看問(wèn)題。”

“ 至于大模型和 AI Coding 出來(lái)后會(huì)不會(huì)替代它，要看低代碼平臺(tái)是否有動(dòng)力對(duì)內(nèi)核進(jìn)行升級(jí)，總之不能再以過(guò)去那種 ‘ 拖拉拽 ’ 的方式設(shè)計(jì)產(chǎn)品了。畢竟現(xiàn)在業(yè)務(wù)人員通過(guò)自然語(yǔ)言描述一下，AI 就能把拖拉拽的工作做好，把頁(yè)面生成好。所以這個(gè)邏輯依然會(huì)存在，但本質(zhì)上是真正解決了 ‘ 費(fèi)勁 ’ 這個(gè)痛點(diǎn)。” 王威補(bǔ)充道，“在企業(yè)應(yīng)用或者軟件交付場(chǎng)景下，我們團(tuán)隊(duì)一直不太推薦用低代碼平臺(tái)。這也引出了一個(gè)問(wèn)題：在 AI 時(shí)代，它會(huì)變成什么樣？”

“ 與其在低代碼上做封裝，如果今天的低代碼平臺(tái)只是基于基座模型再封裝一層、變成一個(gè) Agent，倒可能是可行的。這樣可能會(huì)讓整個(gè)軟件構(gòu)建過(guò)程最終變成一個(gè) Agent，不再受原來(lái)模塊顆粒度高低的限制。”

進(jìn)一步，在 AI Coding 快速吞噬低代碼平臺(tái)生存空間的當(dāng)下，軟件開(kāi)發(fā)工具、平臺(tái)層面還有更多創(chuàng)新空間嗎？

王威認(rèn)為是有的，但要建立在 AI Coding 的語(yǔ)境下，“ 在軟件研發(fā)的整個(gè)鏈路里，不管是需求分析、架構(gòu)設(shè)計(jì)、代碼編寫(xiě)、測(cè)試用例的設(shè)計(jì)與執(zhí)行，還是配置管理、環(huán)境管理、DevOps 等，我們都應(yīng)該去思考：在每一個(gè)環(huán)節(jié)，AI 能幫我做什么？我怎么讓 AI 參與進(jìn)來(lái)？”

“ 當(dāng)你先把 ‘ 如何讓 AI 融入我的日常工作流程’這件事想明白之后，下一步其實(shí)就是抽象與沉淀。也就是把你在工作中用得特別順的一些東西提煉出來(lái)，比如一個(gè)始終有效的 Prompt 結(jié)構(gòu)、一個(gè)特別清晰的問(wèn)題框架、一個(gè)真正能提升效率的工作流、或者一套驗(yàn)證過(guò)的最佳實(shí)踐。把這些東西從 ‘ 經(jīng)驗(yàn) ’ 變成 ‘ 工具 ’。”

“真正有價(jià)值的創(chuàng)新都來(lái)自一線，來(lái)自那些能解決企業(yè)真實(shí)問(wèn)題的場(chǎng)景。所以當(dāng)你把這些工作中的好模式封裝出來(lái)、工具化、體系化，它不僅能讓你在企業(yè)內(nèi)部產(chǎn)生更大的價(jià)值，甚至可能在企業(yè)之外變成一門(mén)新生意、一個(gè)新產(chǎn)品。”

“ 今天的行業(yè)其實(shí)還沒(méi)有共識(shí)，大家對(duì)未來(lái)的形態(tài)也沒(méi)有統(tǒng)一答案。既然如此，不如把你手里最好的工具拿出來(lái)試試，把它產(chǎn)品化，把它武器化。”

另一方面，如果要在產(chǎn)品中深度結(jié)合 AI，作為非大模型廠商創(chuàng)業(yè)者，死磕模型不一定是好選擇。

比如 Cursor 推出了自研的編程模型 Composer 1，試圖從套殼 AI 應(yīng)用廠商升級(jí)為大模型廠商，但目前行業(yè)整體評(píng)價(jià)是比較一般的，比如一些 Reddit 網(wǎng)友反饋 Composer 1 非常快，但只是更擅長(zhǎng)簡(jiǎn)單而繁瑣的任務(wù)，智能上限不高，所以規(guī)劃能力不如頂尖模型，還有 Reddit 網(wǎng)友認(rèn)為它應(yīng)該對(duì)標(biāo)的是小模型比如 Grok Code Fast 1，甚至還不如后者。

張森森表示，“ Composer 1剛發(fā)布的時(shí)候我用過(guò)，個(gè)人體感是 ‘ 特別難用 ’。Cursor 之所以做這個(gè)事，是因?yàn)?Cursor 每年的盈利中，大部分錢(qián)是要交給那些大模型廠商的，我預(yù)計(jì)他們每年虧損得很嚴(yán)重。所以他們會(huì)想，與其把錢(qián)交給別人，不如自己做個(gè)模型，自己掙這個(gè)錢(qián)，這是它的商業(yè)考量。而且 Cursor 也是在跟資本講一個(gè)故事，說(shuō)它能活到最后的目的，是以后能實(shí)現(xiàn) Vibe Coding，目前離真正盈利還早得很。”

相比傳統(tǒng)企業(yè)和創(chuàng)業(yè)公司，還有一個(gè)遠(yuǎn)為更龐大的群體正受到 AI Coding 的劇烈沖擊，也就是程序員。那么在 AI Coding 時(shí)代，程序員如何更好地生存和發(fā)展呢？

首先明晰一點(diǎn)，程序員當(dāng)前確實(shí)存在一些職業(yè)危機(jī)，但不是全方位被覆蓋的。

陳玉兆認(rèn)為需要按工種劃分，“做基礎(chǔ)測(cè)試的人更可能會(huì)面臨淘汰。目前來(lái)看，寫(xiě)基礎(chǔ)測(cè)試代碼的工作確實(shí)可以由 AI 完成。”

“ 但稍微復(fù)雜一點(diǎn)、帶有業(yè)務(wù)邏輯的測(cè)試工作，目前 AI 還很難替換人的作用。”

王威持類似觀點(diǎn)，“ 有些公司可能會(huì)說(shuō)，因?yàn)槲矣?AI 工具，就可以裁掉 60% 或 80% 的程序員，但我覺(jué)得今天很難有公司真的會(huì)做出這樣的操作。” 并且按從業(yè)經(jīng)驗(yàn)進(jìn)行了劃分，“ 相比安全感最高、能輕易駕馭 AI 的專家級(jí)別或資深程序員，中級(jí)程序員（ 工作年限大概在三到五年之間 ）的危機(jī)最大。”

“ 尤其在國(guó)內(nèi)，在過(guò)去十年互聯(lián)網(wǎng)熱潮中，很多外包團(tuán)隊(duì)的程序員，因?yàn)槠髽I(yè)對(duì) IT 人員需求量大，通過(guò)速成方式進(jìn)入了 IT 行業(yè)。這些人可能只能按客戶需求寫(xiě)代碼，卻不了解客戶業(yè)務(wù)，也不了解技術(shù)底層邏輯。”

“對(duì)于這樣的同學(xué)，隨著年齡和工作年限增長(zhǎng)，和 AI 相比，他們確實(shí)需要思考如何更好與 AI 共存、協(xié)作，思考自己的競(jìng)爭(zhēng)力在哪里。”

“無(wú)論是中級(jí)程序員還是新手程序員，今天的最低門(mén)檻、最底線的要求是：學(xué)會(huì)和 AI 協(xié)作。”

張森森則認(rèn)為關(guān)鍵在于長(zhǎng)期積累的工作和思維習(xí)慣，“ 在 AI Coding 時(shí)代，程序員本身也要完成素質(zhì)上的提升和轉(zhuǎn)型。未來(lái)的程序員的生存之道是，不能只精通某一項(xiàng)語(yǔ)言（ 比如 Java 或 C ），而是要轉(zhuǎn)型為 ‘ 全棧 ’ 甚至 ‘ 全語(yǔ)言 ’ 掌控者。程序員或許不需要深入了解每種語(yǔ)言的所有細(xì)節(jié)，但必須能看懂 AI 生成的每一行代碼，并清楚它在整個(gè)程序架構(gòu)中發(fā)揮的作用。”

“ 未來(lái)的軟件開(kāi)發(fā)不再需要 ‘ 代碼搬運(yùn)工 ’。如果一個(gè)程序員只會(huì)寫(xiě)一種語(yǔ)言，或者過(guò)去的工作習(xí)慣只是寫(xiě)一些邊角余料，甚至是那種別人給好框架、只負(fù)責(zé)往里填邏輯的 ‘ 填充式編程 ’，這類程序員 100% 會(huì)被開(kāi)掉。”

“這種工作模式已經(jīng)完全不符合技術(shù)發(fā)展的需要，在 AI 已經(jīng)能高效完成填充和補(bǔ)全工作的今天，這類程序員將不再被定義為 ‘ 程序員 ’。”

從另一個(gè)角度看，AI Coding 不一定是危機(jī)來(lái)源，也可以是新的自我提升和成長(zhǎng)的機(jī)會(huì)，陳玉兆表示，“ 比如對(duì)于程序員的個(gè)人學(xué)習(xí)，用 AI 來(lái)做源碼分析是非常擅長(zhǎng)且適合的。”

即便是對(duì)于新手程序員，只要建立正確的認(rèn)知，就不用擔(dān)心過(guò)度依賴 AI，阻礙自身成長(zhǎng)，陳玉兆表示，“ 現(xiàn)階段的 AI 編程并不具備資深工程師的全部技能，它相當(dāng)于是一個(gè)高中生或應(yīng)屆畢業(yè)生的水平。”

“ 它能幫助你的是那些容易量化、模塊化、模板化的重復(fù)性工作。它能幫你更高效地組織代碼，并用更接近人類自然語(yǔ)言的方式進(jìn)行交互。它本質(zhì)上是對(duì)已有工具的集成和加速，而不是取代。如果新手能熟練運(yùn)用這種新工具，反而更好。”

“ 時(shí)代是在發(fā)展的，程序員不可能永遠(yuǎn)拿著文本編輯器編程，就像 IDE 也在發(fā)展，就像以前用 Photoshop 處理圖片超級(jí)復(fù)雜，現(xiàn)在用谷歌的 Nano Banana Pro 說(shuō)幾句話就能處理。”

“ 當(dāng)然，如果想更深入地了解某個(gè)領(lǐng)域的行業(yè)經(jīng)驗(yàn)、發(fā)展歷史等深層次內(nèi)容，還是需要和專業(yè)領(lǐng)域的人員進(jìn)行深入的溝通，這些東西 AI 應(yīng)該是提供不了的。”

王威也持類似觀點(diǎn)，“對(duì)于新手程序員或剛從學(xué)校出來(lái)的年輕人，其實(shí)AI是機(jī)會(huì)。今天 AI 可以幫助新人迅速達(dá)到原來(lái)中級(jí)程序員的水平。”

“ 無(wú)論是通過(guò) Prompt Engineer 還是 Context Engineer 構(gòu)建良好的和 AI 協(xié)作的模式，那么入職第一個(gè)月甚至前兩周，就能建立起和過(guò)去中級(jí)程序員相似的輸出能力。”

“我們經(jīng)常會(huì)和客戶反復(fù)強(qiáng)調(diào)，千萬(wàn)不要裁掉年輕程序員。因?yàn)橹挥羞@些年輕人，隨著他們對(duì)業(yè)務(wù)的了解加深，隨著在企業(yè)的工作時(shí)間增長(zhǎng)，才能逐漸成長(zhǎng)為專家。”

“雖然理論上，中級(jí)程序員也可以培養(yǎng)成專家，但其實(shí)最合理的方式是在 AI 的加持下，讓年輕人快速成長(zhǎng)為專家。因此，行業(yè)內(nèi)很多海內(nèi)外專家一直大力建議企業(yè)不要放松對(duì)畢業(yè)生的招聘。畢業(yè)生是有前途的一代，而專家這一層也不能拋棄。所以我才說(shuō)最危險(xiǎn)的是中間那一層程序員。”

這不只是預(yù)言，其實(shí)已經(jīng)體現(xiàn)在目前一些軟件公司的實(shí)際招聘需求變化上了，“ 根據(jù)一些統(tǒng)計(jì)報(bào)告，確實(shí)顯示過(guò)去一年尤其是最近半年，整個(gè)軟件行業(yè)開(kāi)放的 Headcount 都比去年下降了。并且他們確實(shí)是會(huì)增加對(duì)略微資深程序員和校招的 Headcount。”

“ 但更坦白地說(shuō)，如果預(yù)算有限，我們都會(huì)建議至少校招不能停。”

“ 因?yàn)閺钠髽I(yè)未來(lái)發(fā)展的角度，總要為未來(lái)儲(chǔ)備人才。年輕人需要在真實(shí)業(yè)務(wù)里慢慢培養(yǎng)、累積經(jīng)驗(yàn)。如果完全不招新人，只靠外部招聘有經(jīng)驗(yàn)的程序員，那么企業(yè)內(nèi)部的關(guān)鍵上下文和知識(shí)的傳承、人才梯隊(duì)，很可能會(huì)出現(xiàn)斷檔，長(zhǎng)期來(lái)看對(duì)企業(yè)反而是更大的風(fēng)險(xiǎn)。”

“這在今天可能還看不太出來(lái)，有些企業(yè)可能覺(jué)得與其招十個(gè)甚至一百個(gè)校招生，不如直接招兩三個(gè)專家程序員，看上去更省錢(qián)、更直接。但實(shí)際上，當(dāng)時(shí)間拉長(zhǎng)到五年甚至更久的時(shí)候，都會(huì)出現(xiàn)明顯的問(wèn)題。”

當(dāng)然，工種、經(jīng)驗(yàn)等都是表面判據(jù)，任何程序員都不必然會(huì)因?yàn)檫@些因素被淘汰，“ 我會(huì)建議大家先問(wèn)自己一個(gè)很本質(zhì)的問(wèn)題：對(duì)這個(gè)行業(yè)到底有沒(méi)有真正的興趣？”

“ 我始終認(rèn)為，真正能把一個(gè)人推向 ‘ 專家 ’ 層級(jí)的，從來(lái)不是日常的任務(wù)堆積，不是寫(xiě)了多少行代碼，也不是做了多少 CRUD。 ”

“ 能讓一個(gè)人愿意深入理解每一項(xiàng)技術(shù)，愿意把技術(shù)棧往底層學(xué)，愿意去追根究底地研究 Java 的運(yùn)行機(jī)制、JVM 的內(nèi)部結(jié)構(gòu)、Redis 的底層實(shí)現(xiàn)，這些動(dòng)力絕對(duì)不是源于 ‘ 工作需要 ’，而是對(duì)計(jì)算機(jī)、對(duì)技術(shù)本身的熱愛(ài)。很多五十多歲的程序員對(duì)這個(gè)行業(yè)依然保持熱情，只要有新技術(shù)出來(lái)，他們都會(huì)第一時(shí)間去看資料、讀文檔、閱讀開(kāi)源代碼，去看別人到底是怎么實(shí)現(xiàn)的。”

“ 這樣的人，無(wú)論是新手程序員、中級(jí)程序員，還是現(xiàn)在已經(jīng)是個(gè)專家，都是非常有前途的。”

“歷史也能證明，蒸汽機(jī)出現(xiàn)以后，很多手工作坊都消失了，但真正沒(méi)有被取代的，是那些老匠人、熱愛(ài)做事的人、把自己的作品看作藝術(shù)去鉆研的人，即使到了工廠，他們也能指導(dǎo)機(jī)器，通過(guò)改造流水線或零部件制造新的產(chǎn)品。這樣的人，在市場(chǎng)上永遠(yuǎn)有價(jià)值。而因?yàn)殍F匠這個(gè)行業(yè)能掙很多錢(qián)所以去當(dāng)學(xué)徒打鐵的人，從歷史上看都會(huì)面臨比較大的危機(jī)。”

“ 所以，如果只是因?yàn)檫^(guò)去這個(gè)行業(yè)溢價(jià)很高，坦白講就是‘很容易賺錢(qián)’，比如學(xué)個(gè) Java、學(xué)個(gè) Python 就能進(jìn)到大公司做程序員，可以思考一下，是否需要換一個(gè)賽道。”

使用 AI 寫(xiě)代碼、與AI協(xié)作，已經(jīng)是大勢(shì)所趨。那么一個(gè)很關(guān)鍵的問(wèn)題就是，如何與 AI 協(xié)作，才能最大化個(gè)人的產(chǎn)出，最大化對(duì) AI 的利用，同時(shí)避免 AI 技術(shù)限制帶來(lái)的額外成本。

在具體執(zhí)行層面，核心是 Context 管理和人機(jī)交互模式的打磨。

王威表示，“ 這一年多，我們看到的是 LLM 的能力在逐漸趨于穩(wěn)定，接近一個(gè) ‘ 可預(yù)期的上限 ’。也就是說(shuō)，它主要的能力還是基于你給它的 Context，來(lái)做更精準(zhǔn)的預(yù)測(cè)和生成。”

“ 圍繞這些已經(jīng)相對(duì)成熟的能力，每個(gè)程序員都應(yīng)該建立起自己的一套 ‘ 和 AI 協(xié)作的打法 ’。 比如：我如何與 AI 交互？我如何通過(guò) Prompt 讓 AI 幫我生成原型？我如何讓 AI 幫我改代碼？我如何讓 AI 幫我整理數(shù)據(jù)、總結(jié)知識(shí)？這些其實(shí)都是今天軟件行業(yè)的從業(yè)者必須掌握的基本能力。”

在一些典型場(chǎng)景中這些原則可以體現(xiàn)得很明顯。比如 AI Coding 過(guò)程中由于模型的知識(shí)偏差和知識(shí)盲區(qū)，總會(huì)帶來(lái)一些很根本的不確定性，比如前者帶來(lái)對(duì)編程語(yǔ)言（ 比如 Python、Swift ）熟悉度的偏差，后者帶來(lái)幻覺(jué)的可能性，這就很依賴 Context 管理來(lái)解決。

陳玉兆表示，“ 就算存在比較嚴(yán)重的知識(shí)偏差，只要給它足夠的引用、上下文、參考文檔，并告訴它想生成的代碼風(fēng)格，基本不會(huì)出太大問(wèn)題。”

張森森補(bǔ)充道，“ 關(guān)于 AI 編程模型在不同編程語(yǔ)言上的側(cè)重，這種現(xiàn)象肯定存在。國(guó)外的 AI 模型通常 React 寫(xiě)得比較好，Vue 稍微差一點(diǎn)。這跟訓(xùn)練語(yǔ)料有直接關(guān)系，因?yàn)閲?guó)外大部分前端軟件都是用 React 寫(xiě)的，而國(guó)內(nèi)用 Vue 寫(xiě)的更多。”

“ 針對(duì)這種不平衡，目前行業(yè)內(nèi)主要有兩種做法。首先是語(yǔ)料層優(yōu)化，在模型訓(xùn)練階段，針對(duì)性地增加特定語(yǔ)言（ 如 Vue 或 Flutter ）的語(yǔ)料權(quán)重。其次是邏輯轉(zhuǎn)換，采用 ‘ 先生成再轉(zhuǎn)換 ’ 的模式。比如先讓 AI 用它更擅長(zhǎng)的 React 邏輯寫(xiě)完，再通過(guò)特定的轉(zhuǎn)換工具或二次 Prompt，將其邏輯轉(zhuǎn)譯成 Vue 代碼。”

“ 關(guān)于這一點(diǎn)，Lovable 還有一個(gè)不太令人滿意的地方，就是它嚴(yán)重的技術(shù)棧綁定。國(guó)內(nèi)前端大部分習(xí)慣用 Vue，后端很多已經(jīng)用 Java 寫(xiě)好了。像 Lovable 這種面向海外市場(chǎng)的工具，前端必須是 React，后端綁定了 Supabase。這導(dǎo)致國(guó)內(nèi)現(xiàn)有的企業(yè)級(jí)存量代碼根本沒(méi)法拿過(guò)來(lái)用。”

至于一些最令人頭疼和心累的問(wèn)題，比如 “ 按下葫蘆浮起瓢 ”，想修改一個(gè)特定的 Bug，但 AI 在修改過(guò)程中造成了新的 Bug。陳玉兆認(rèn)為，這種情況在良好的交互模式和開(kāi)發(fā)實(shí)踐下，可能性不是很大，“ 這取決于你原來(lái)的測(cè)試集寫(xiě)得是否全面。首先你得有一個(gè)自己的基礎(chǔ)測(cè)試集，系統(tǒng)的穩(wěn)定性和可用性首先應(yīng)該由你的基礎(chǔ)測(cè)試集來(lái)保證。不可能讓 AI 幫你寫(xiě)所有的測(cè)試，那不太現(xiàn)實(shí)。”

當(dāng)然，其中也會(huì)存在一些 “ 是否必須用 AI ” 的權(quán)衡，“ 對(duì)于一些邏輯比較復(fù)雜的代碼塊，需要給它正確的引用，在搜集這些引用、提供足夠的 Context 以及反復(fù)糾正的過(guò)程中，它有一個(gè)回饋、撤回、再糾正的過(guò)程，如果這個(gè)過(guò)程花費(fèi)的時(shí)間太長(zhǎng)，反而有時(shí)還不如自己直接寫(xiě)來(lái)得快。”

在原則層面，需要時(shí)刻記住 “ AI 在不斷發(fā)展，AI 永遠(yuǎn)存在天花板 ”，張森森認(rèn)為，與 AI 協(xié)作需要結(jié)合 AI 的發(fā)展現(xiàn)狀，才能發(fā)揮最好的效果，無(wú)論是程序員和企業(yè)管理者都需要建立這樣的認(rèn)知，“雖然 AI 編程是必然趨勢(shì)，但 AI 的能力上限和天花板是隨著技術(shù)發(fā)展動(dòng)態(tài)變化的。不能忽視這個(gè)天花板的存在，如果盲目追求效率而無(wú)限度地壓榨程序員，公司是無(wú)法進(jìn)入良性發(fā)展軌道的。正確的做法應(yīng)該是，持續(xù)尋找合適的場(chǎng)景讓 AI 去替代那些重復(fù)、乏味的工作。”

“ 從原型開(kāi)發(fā)到生產(chǎn)級(jí)、大型企業(yè)級(jí)項(xiàng)目的過(guò)渡中，如何將 AI 的利用率最大化？按目前現(xiàn)狀，可以參考幾個(gè)關(guān)鍵的比例分配經(jīng)驗(yàn)。比如樣本代碼與文檔可以 100% 委托給 AI 生成，人工只需進(jìn)行抽檢。單元測(cè)試 70%-80% 可以交給 AI 完成，但人工需要補(bǔ)充一些邊界條件。核心邏輯（ 算法實(shí)現(xiàn) ）最多只能給 AI 四成，因?yàn)樯婕暗綇?fù)雜的架構(gòu)設(shè)計(jì)和異常處理，AI 目前完全做不了。安全審計(jì) AI 可以負(fù)責(zé)初審和針對(duì)性的漏洞掃描，但這必須保證 Human-in-the-Loop，一定需要人工復(fù)核。”

對(duì)安全風(fēng)險(xiǎn)把控的重要性再怎么強(qiáng)調(diào)也不為過(guò)，風(fēng)險(xiǎn)包括 AI 幻覺(jué)和企業(yè)機(jī)密數(shù)據(jù)泄漏，應(yīng)對(duì)前者的核心原則是 “ 永遠(yuǎn)要人工審查代碼 ”。

如果太依賴 AI 編程，可能會(huì)導(dǎo)致程序員記不住代碼的細(xì)節(jié)，當(dāng)真的出現(xiàn)高風(fēng)險(xiǎn)事故時(shí)，安全風(fēng)險(xiǎn)排查會(huì)變得比往常更加困難，陳玉兆表示，“程序員可以不寫(xiě)這段代碼，但需要深入了解這段代碼是干嘛的。對(duì)于每一段 AI 生成的代碼，都要了解它的作用，而不是 ‘ 無(wú)腦 ’ 地直接合并。”

“ 如果長(zhǎng)期看都不看就直接合并，一年兩年之后，程序員肯定不知道代碼里到底寫(xiě)了什么，出了 Bug 也就修不了。但如果每次都站在 Reviewer 或項(xiàng)目維護(hù)者的角度仔細(xì)審查，追蹤代碼的時(shí)間線、迭代過(guò)程以及生成邏輯，是不存在這種風(fēng)險(xiǎn)的。即便招一個(gè)真實(shí)的程序員來(lái)開(kāi)發(fā)，也是同樣的流程。”

關(guān)于如何應(yīng)對(duì)企業(yè)機(jī)密數(shù)據(jù)泄漏風(fēng)險(xiǎn)，以網(wǎng)站開(kāi)發(fā)為例，張森森表示，“ 完全使用 AI 開(kāi)發(fā)網(wǎng)站并部署到 Supabase這類平臺(tái)時(shí)，身份驗(yàn)證、注冊(cè)系統(tǒng)及安全風(fēng)控可能是較難解決的痛點(diǎn)。AI 并非完全沒(méi)能力做，而是風(fēng)險(xiǎn)極大。敏感數(shù)據(jù)絕不可以作為 AI 的上下文，否則一旦被外部獲取，會(huì)導(dǎo)致商業(yè)機(jī)密和公司安全風(fēng)險(xiǎn)泄露。因此，簡(jiǎn)單一些的比如鑒權(quán)系統(tǒng)的代碼 AI 可以寫(xiě)，但若涉及數(shù)據(jù)庫(kù)的數(shù)據(jù)必須慎重考量，比如數(shù)據(jù)庫(kù)安全規(guī)則、權(quán)限規(guī)則等邏輯，AI 能提供方向或生成部分代碼，但具體的公司級(jí)業(yè)務(wù)邏輯是機(jī)密的，通常需要手工編寫(xiě)。”

到這里，我們基本了解了 AI Coding 和 Vibe Coding 的區(qū)別和發(fā)展現(xiàn)狀，張森森總結(jié)道，“目前 AI Coding 的最佳實(shí)踐不是 ‘ 全自動(dòng)生成 ’，而是 ‘ 部分生成+ 程序員修改 ’ 的模式。這種模式在短期內(nèi)不會(huì)被改變。AI Coding 的未來(lái)確實(shí)是Vibe Coding，但 Vibe Coding 也確實(shí)存在泡沫，完全是吹給老板和資本方聽(tīng)的，他們聽(tīng)了確實(shí)會(huì)很興奮，但行業(yè)內(nèi)真正的程序員對(duì)此非常困惑，因?yàn)榇蠹倚睦锴宄詣?dòng)化的端到端開(kāi)發(fā)在短時(shí)間內(nèi)根本做不到。”

對(duì)于非常激進(jìn)、重度依賴 AI 編程來(lái)做產(chǎn)品的創(chuàng)業(yè)者，陳玉兆也建議道，“ 至少還是要招一個(gè)比較資深的程序員來(lái)控制項(xiàng)目的質(zhì)量。如果一個(gè)項(xiàng)目完全、一直由 AI 來(lái)生成，最后基本上會(huì)變得不可維護(hù)。”

那么決定未來(lái)的是哪些關(guān)鍵因素呢？

“大模型本身的 ‘ 幻覺(jué) ’ 問(wèn)題，是目前阻礙全自動(dòng)化生成的最大屏障，短期內(nèi)很難完全消除。但隨著 Gemini 等模型能力的進(jìn)化，大家在應(yīng)用生成（ 如 App 生成 ）上的實(shí)操經(jīng)驗(yàn)越來(lái)越豐富，這種 ‘ 行不通 ’ 的固有印象正在慢慢改觀。目前行業(yè)正處于一個(gè) ‘ 尋找平衡點(diǎn) ’ 的階段。”張森森向知危說(shuō)道。

“ 最終的目標(biāo)一定是：不再需要專門(mén)的程序員，產(chǎn)品經(jīng)理一個(gè)人就能搞定從設(shè)計(jì)到交付的全過(guò)程。這個(gè)最終局面的到來(lái)，三年還是五年？沒(méi)人敢斷言。馬斯克的預(yù)測(cè)比較樂(lè)觀，但國(guó)內(nèi)可能相對(duì)悲觀一些，多少年都有可能。”

AI 編程模型要降低幻覺(jué)，自然需要吸收更多代碼數(shù)據(jù)，但當(dāng)前行業(yè)在數(shù)據(jù)供應(yīng)和質(zhì)量方面已經(jīng)存在一些不可忽視的潛在風(fēng)險(xiǎn)，“ GitHub 現(xiàn)在已經(jīng)快變成 ‘ AI 代碼的天堂 ’ 了。這對(duì)普通使用者來(lái)說(shuō)影響不大，因?yàn)榇蠹抑皇前?AI 寫(xiě)的項(xiàng)目放上去分享，只要能跑通，使用者其實(shí)并不介意。真正核心的問(wèn)題在于未來(lái)模型訓(xùn)練的‘ 數(shù)據(jù)污染 ’ 風(fēng)險(xiǎn)。當(dāng)我們?cè)俅问褂?GitHub 上的數(shù)據(jù)去訓(xùn)練新一代 AI 模型時(shí)，要弄清楚如何從這些海量的 AI 生成內(nèi)容中，甄別并剔除出那些 ‘ 不干凈 ’ 的數(shù)據(jù)，會(huì)變得非常困難。”

“ 這種 ‘ 數(shù)據(jù)污染 ’ 不僅存在于編程界，在整個(gè)模型訓(xùn)練領(lǐng)域都是一個(gè)巨大挑戰(zhàn)。當(dāng) AI 開(kāi)始學(xué)習(xí)由 AI 生成的內(nèi)容時(shí)，邏輯的退化和多樣性的喪失就不可避免。這就是為什么國(guó)家層面要強(qiáng)調(diào)建設(shè)高質(zhì)量數(shù)據(jù)集的原因。”

在 Context 理解能力層面，AI 也存在比較普遍意義上的局限性，可能未來(lái)還需要在技術(shù)上做出更多突破。

王威表示，“ 近期 Andrej Karpathy 在播客訪談中提到一個(gè)很有趣的現(xiàn)象：在 Claude Code 中，你會(huì)發(fā)現(xiàn)一開(kāi)始 Context 不夠，AI 理解不全面導(dǎo)致生成不準(zhǔn)。但到后來(lái) Context 越多，生成反而也不準(zhǔn)。” “ Andrej Karpathy 用了一個(gè)類比，如果把 Agent 或 AI 看作 ‘人’，那么人之所以能夠記住信息、學(xué)會(huì)技能、理解上下文并做出決策，很大程度上依賴于記憶。”

“ 但人不僅有記憶，還有 ‘ 睡覺(jué) ’ 這個(gè)過(guò)程，‘ 睡覺(jué) ’ 的本質(zhì)是一次信息的壓縮和重組。 此外，人的記憶有時(shí)候不只是存在腦子里，還存在外部。人會(huì)忘掉很多東西，但這些被遺忘的信息可以在特定時(shí)間、地點(diǎn)和環(huán)境下被觸發(fā)。比如你在北京，看到秋天飄落的銀杏葉，可能會(huì)突然想起二十年前經(jīng)歷的某個(gè)場(chǎng)景。如果不在當(dāng)時(shí)的環(huán)境下，你可能完全想不起來(lái)，以為自己已經(jīng)忘了。

“所以，人的大腦有這樣的能力：一是通過(guò)睡眠對(duì)信息進(jìn)行壓縮和重組；二是通過(guò)環(huán)境觸發(fā)存儲(chǔ)在腦內(nèi)外的多模態(tài)記憶，從而喚起過(guò)去的經(jīng)驗(yàn)。這些能力都能讓人的決策更加高效，大模型不具備這種能力。”

“這些問(wèn)題可能不是 Context Engineering 能解決的，而是需要深入理解人是如何思考的，才能進(jìn)一步推進(jìn)。這意味著未來(lái)無(wú)論是 Agent 公司還是基礎(chǔ)模型公司，都是有機(jī)會(huì)的。誰(shuí)能夠幫助大模型更好理解 Context，更像人一樣思考、構(gòu)建機(jī)制，誰(shuí)就有機(jī)會(huì)開(kāi)拓未來(lái)市場(chǎng)。”

除了模型本身，軟件行業(yè)也會(huì)有一個(gè)更核心的演變趨勢(shì)，張森森表示，“ 現(xiàn)在的 Vibe Coding 和 AI Coding 用的還是 JavaScript、Vue、React 或者 Java，但我相信在未來(lái)一到兩年之內(nèi)，一定會(huì)產(chǎn)生一種全新的編程語(yǔ)言。這種語(yǔ)言將直接把現(xiàn)有的傳統(tǒng)語(yǔ)言全部干掉，它是完全為了 AI 編程而生的。”

甚至更進(jìn)一步，軟件工程的范式或許也需要徹底改寫(xiě)，才能最大化 AI 帶來(lái)的價(jià)值。

王威表示，“ 要理解這個(gè)變革的必要性，需要回到場(chǎng)景本身：到底為什么要寫(xiě)代碼？為什么要做軟件？原來(lái)人是怎么做軟件的？”

“ 在沒(méi)有大模型之前，我們做軟件其實(shí)有兩種不同的形態(tài)。第一種是個(gè)人獨(dú)立開(kāi)發(fā)者。個(gè)人開(kāi)發(fā)者需要不斷學(xué)習(xí)新的技術(shù)、工具、框架，比如從 C++ 換到 Go 再到 Rust，總是要跟上最新一波技術(shù)。”

“ 另外一種是企業(yè)場(chǎng)景。企業(yè)場(chǎng)景要解決的問(wèn)題不僅僅是個(gè)人開(kāi)發(fā)者的問(wèn)題，更重要的是規(guī)模化的問(wèn)題。也就是如何讓一群人一起高效地開(kāi)發(fā)軟件。一個(gè)人高效相對(duì)簡(jiǎn)單，而在團(tuán)隊(duì)中，即使每個(gè)人都是非常優(yōu)秀的獨(dú)立開(kāi)發(fā)者，也有可能出現(xiàn) 1 + 1 小于 2，甚至只有 1.1、1.2 左右。”

“ 所以過(guò)去的軟件工程，從早期的瀑布模型，到敏捷迭代，再到 DevOps，其實(shí)都在試圖解決同一個(gè)問(wèn)題：一群人要怎么一起把軟件開(kāi)發(fā)好。”

“ 而今天的 Code Generation 工具，本質(zhì)上仍然更多關(guān)注個(gè)人開(kāi)發(fā)者。但要讓一群人在組織里更好、更高效地完成代碼生成或代碼編寫(xiě)，把 Code Agent 真正帶入企業(yè)內(nèi)部，并讓它發(fā)揮真正的價(jià)值，還需要很長(zhǎng)的時(shí)間。”

“ 這不僅在于技術(shù)層面，更重要的是人的層面。未來(lái)的開(kāi)發(fā)者、產(chǎn)品經(jīng)理、測(cè)試人員，這些角色還存不存在？他們的技能會(huì)變成什么樣？這些都是問(wèn)號(hào)。”

“ 如果回頭看，DevOps 、敏捷迭代之所以能在過(guò)去十到二十年里推得快和順利，主要原因還是當(dāng)年那些互聯(lián)網(wǎng)公司，比如 BAT、谷歌、亞馬遜，他們?cè)谛袠I(yè)還不成熟的時(shí)候就率先采用了新技術(shù)和新組織形態(tài)，去實(shí)踐最新的軟件研發(fā)模式，然后這種模式逐漸被傳統(tǒng)企業(yè)、金融、制造等行業(yè)接受。他們天生就在用這種模式做事，所以才會(huì)成功。”

“ 當(dāng)時(shí)國(guó)內(nèi)也想學(xué)國(guó)外的微服務(wù)，可見(jiàn)這種標(biāo)桿效應(yīng)非常強(qiáng)。如果沒(méi)有這樣的標(biāo)桿，現(xiàn)有組織的慣性就很大，在組織內(nèi)部很難推動(dòng)這種變化。除非集團(tuán)公司單獨(dú)投資搞一個(gè) AI Native 公司，那才有可能。否則在現(xiàn)有業(yè)務(wù)里推動(dòng)，先不說(shuō)技術(shù)的慣性，人的慣性就足以讓迭代周期以十年計(jì)。十年后，國(guó)內(nèi)大廠內(nèi)部的模式才可能真正發(fā)生變化，這是很有可能的。”

“ 所以我不會(huì)認(rèn)為現(xiàn)在的國(guó)內(nèi)大廠，會(huì)首先出現(xiàn)這一代新的實(shí)踐，更可能是類似 Winsurf、Perplexity 這樣的 AI Native 公司帶來(lái)新的變化。大家都說(shuō)現(xiàn)在要講人效，其實(shí)創(chuàng)業(yè)公司最講人效。他們會(huì)用最少的人，用最新的技術(shù)，用看起來(lái)最省力的實(shí)踐模式，去打造完整的交付鏈條。AI Native 公司從一開(kāi)始就不是在舊范式里改造，而是在新范式里長(zhǎng)出來(lái)的，他們可能會(huì)率先實(shí)現(xiàn)真正完全依賴 AI 來(lái)生成代碼，而不是繼續(xù)手寫(xiě)代碼，也許關(guān)鍵還是在于如何管理好 Context 。并且，這種模式是可復(fù)制、可復(fù)現(xiàn)的，那么AI才有可能推動(dòng)整個(gè)行業(yè)去跟進(jìn)。”

“目前國(guó)內(nèi)很多行業(yè)會(huì)議或?qū)＜以谥v AI 2.0、AI for SE、下一代軟件工程、下一代軟件研發(fā)模式，但其實(shí)這些論調(diào)太不成熟。因?yàn)楫?dāng)下我完全沒(méi)有看到任何可復(fù)現(xiàn)的實(shí)踐模式。既然如此，就很難談所謂新的宣言或者最佳實(shí)踐。”

“就像當(dāng)年的敏捷宣言、Scrum那樣真正能被行業(yè)接受的技術(shù)實(shí)踐。敏捷宣言、Scrum 的第一篇論文是 1986 年寫(xiě)的。而敏捷宣言是在 2001 年定下來(lái)的，也就是經(jīng)歷了 15 年時(shí)間。當(dāng)然今天時(shí)代發(fā)展更快了，可能不用 15 年，但 5 年、10 年仍然是需要的。”

“ 可能某一天，大家會(huì)忽然意識(shí)到： 原來(lái)未來(lái)的軟件工廠應(yīng)該是這么運(yùn)轉(zhuǎn)的，原來(lái)自動(dòng)化的流水線應(yīng)該是這樣搭起來(lái)的。到那個(gè)時(shí)候，新的行業(yè)范式就會(huì)逐漸清晰：什么是下一代的工廠，什么是 AI 驅(qū)動(dòng)的軟件生產(chǎn)方式，什么才是自動(dòng)化時(shí)代真正的 ‘ 基礎(chǔ)設(shè)施 ’。”