--- title: "AI 时代的软件工程：从执行能力到系统责任" subtitle: "如果 AI 已经能写很多代码，程序员更应该加强什么？" last_updated: 2026-05-18 --- # AI 时代的软件工程：从执行能力到系统责任 AI 正在让**基础执行能力**变得越来越便宜，但没有让**软件系统本身**变简单。相反，当代码被更快生产出来，真正稀缺的能力会更偏向**系统责任**：**判断边界**、**设计反馈闭环**、**建设可观测与恢复机制**，并让系统在真实环境中**持续演进**。对我来说，从用户画像平台到生产级 Agent 系统，这条主线始终是**把复杂能力变成稳定系统**。 --- ## 1. 从上一篇文章说起：这篇讨论我们应该做什么 之前我写过一篇《[AI 写代码很强，又微妙地不行](https://lin-guanguo.github.io/Lin-Guanguo/read/202603/ai-technical-debt/)》，讨论 AI 写代码的能力边界。那篇文章更多是在说：AI 很强，但在大型项目、长期维护和技术债治理上，仍然微妙地不行。 这篇我想换一个角度。不是继续讨论 AI 不擅长什么，而是讨论：如果 AI 已经能写越来越多代码，程序员应该把能力往哪里迁移？ 我一度也相信程序员会被大面积替代。这个判断不是空穴来风，因为**基础执行能力**确实正在变便宜。写代码、查 API、补测试、局部重构、生成脚本、搭样板工程，这些事情 AI 已经做得越来越好。 但深度使用之后，我的判断变得更细了。AI 让很多**基础执行**变便宜了，但并没有让**软件系统本身**变简单。 真正的问题开始变成：当代码可以更快被生产出来，我们应该如何**定义系统、约束系统，并对系统的长期结果负责**？ --- ## 2. 执行能力变便宜之后，系统责任变得更重要 过去很多程序员的价值，很大程度绑定在执行能力上：我能把需求写出来，我能把接口接上，我能把 bug 修掉，我能把代码跑起来。 AI 出现之后，这些能力正在被重新定价。不是说它们不重要，而是它们会越来越容易获得。一个会用 AI 的工程师，可以在更短时间里完成以前需要更多人做的局部实现。 但软件工程不只是产出代码。 真实的软件系统还要面对不完整的需求、历史数据、兼容性、线上故障、灰度发布、回滚、成本、可观测性和长期演进。写出代码只是系统存在的一小部分，让系统在真实世界里长期运行，才是更难的部分。 当 AI 把执行速度放大之后，这些问题不会消失，反而会更快暴露出来。因为系统膨胀得更快，技术债积累得更快，错误传播得也更快。 我现在更愿意把这些问题称为**“系统责任”**： - **判断系统边界**：哪些能力放在核心链路，哪些放在外围；哪些必须确定性处理，哪些可以容错。 - **设计反馈闭环**：需求、实现、测试、线上反馈、用户行为和系统指标，如何反向影响下一轮设计。 - **建设可观测与恢复机制**：系统不是不出错，而是出错后能被定位、被降级、被修复。 - **管理演进成本**：兼容旧数据，控制技术债，保持接口清晰，让系统在多人协作和长期迭代中继续生长。 AI 让执行更快，但没有替我们承担这些**系统责任**。 --- ## 3. 程序员和架构师不是二分，而是一条连续谱 传统语境里，我们经常把程序员和架构师分开讲。但在真实工作里，它们并不是清晰二分，而是一条**连续谱**。 初级工程师更多关注函数和局部实现；中级工程师关注需求交付；高级工程师关注模块质量；再往上，才开始更多承担系统边界、演进路线、非功能性约束和跨团队协作。 所谓架构师，也不是只画图，更不是把需求分发给程序员。他真正负责的是把不确定的业务目标，转成可落地、可维护、可演进的系统。 AI 正在压缩这条连续谱上更靠执行端的部分。明确需求、明确上下文、明确验收标准的任务，AI 会越来越擅长。**纯执行型开发者**会被严重挤压，尤其是没有**系统 ownership** 的初中级岗位。 但这不意味着**架构师式能力**不重要。相反，AI 提高了它的杠杆率。 过去架构师设计完系统，还需要大量人来理解、排期、实现、返工和维护。现在如果一个人能组织好上下文、定义清楚接口、拆出合适的任务、写明验收标准，AI 可以成为很快的执行层。 未来更重要的问题可能不是“我会不会写代码”，而是“我能不能**定义系统，约束系统，并对系统的长期结果负责**”。 AI 不会简单消灭程序员，但会逼迫程序员更快向更高**责任半径**迁移。 --- ## 4. 我的技术主线：把复杂能力变成稳定系统 最近我在整理自己的 About Me，把过去几年做过的事情重新串了一遍。对我来说，最有价值的不是把经历罗列成公司和项目，而是看清楚一条更连续的技术主线。 我过去在字节做用户画像平台，表面上是数据平台后端，实际面对的是把离线数据变成**稳定在线能力**：千万级 QPS、低延迟、数据一致性和成本治理。 这里的难点不是“写一个查询接口”，而是让一个高并发、强约束、长期演进的数据系统成为**可靠基础设施**。那段经历训练我的不是某个单点技术，而是一整套看系统的方式：稳定接口、清晰状态、可观测链路、成本意识和失败恢复。 现在做 Agent 系统，表面上技术对象换了：Planner、Memory、状态管理和模型调用稳定性。但底层问题并没有断裂。Agent 也不是“包一层模型”，而是把不稳定的模型能力接入真实 C 端产品：要处理用户意图、执行状态、模型波动、异常归因和线上恢复。 所以我不觉得自己是从传统后端跳到 AI 热点，而是把**稳定复杂系统**的能力迁移到了 Agent 时代。画像系统教会我如何把**数据能力在线化**，Agent 系统则要求我把**模型能力产品化、工程化、长期化**。 这也解释了为什么我重新整理以前学过的系统基础、状态建模、类型抽象和错误语义时，会觉得它们重新连了起来。它们不只是面试里的基础知识，而是在 AI 提高执行速度之后，帮助我判断系统边界、抽象状态、识别技术债的**坐标系**。 --- ## 5. 我的长期方向：构建稳定复杂系统 我相信**基础能力**会越来越容易获得，但**构建稳定复杂系统的能力**仍然稀缺：判断边界、设计反馈闭环、建设可观测与恢复机制，并让系统能在真实线上环境中持续演进。 这是我希望长期积累的核心能力。 AI 越强，越多能力会被接入真实产品；而越多能力进入真实系统，**系统边界、反馈、恢复和演进**就越重要。 最近我把自己的经历、项目和写作整理成了一个 About Me。它也是我对下一阶段职业定位的一次校准：从数据平台工程，到生产级 Agent 系统。 如果你对这些经历或文章感兴趣，可以看这里： [About Me](https://lin-guanguo.github.io/Lin-Guanguo/)