AI 进入软件工程之后，很多人第一反应是：写代码变快了。

这当然没错。

过去一个功能可能要几天，现在一句提示词就能生成一版；

过去要查文档、配环境、写样板代码，现在 AI 可以直接补齐。开发的速度被明显拉快了。

但如果只看到“写代码变快了”，就会错过更重要的变化。

AI 真正改变的，不只是生产速度，而是软件工程里的稀缺资源。

过去，最稀缺的是“手”。

谁能写代码，谁写得快，谁能把需求落地，谁就是关键资源。

开发、测试、返工都很贵，所以 Eval 循环，也就是开发、测试、部署、验证这一圈，是主要成本。

但 AI 时代，情况开始变了。

对于一般 SaaS、App 或内部工具来说，AI 和自动化正在降低 Eval 循环的边际成本。

东西更容易被做出来，也更容易被改出来。

真正昂贵的东西前移了。

它变成了：

我们有没有理解对问题？

有没有判断对方向？

这个方案值不值得做？

需求是否被清楚表达？

验收标准是否足够明确？

也就是说，SPEC 循环变得更重要了。

理解、判断、创意、设计，这些过去看起来“偏前期”的工作，现在成了最大的风险源。

一旦 SPEC 错了，AI 会很快、很勤奋、很自信地把错误放大。

AI 降低了“把东西做出来”的成本，但没有自动降低“做对东西”的成本。

这就是 AI 时代软件工程最核心的变化。

AI 吃掉的是“怎么做”，凸显的是“做什么”

软件开发里有两类复杂度。

一类是偶然复杂度。

比如语法、样板代码、环境配置、胶水逻辑、重复劳动。这些复杂度不是问题本身带来的，而是实现方式带来的。

AI 很擅长消灭这部分复杂度。

它能帮你写代码、补测试、生成脚手架、解释报错、改接口、搬逻辑。这些过去耗费大量人力的事情，现在正在被快速压缩。

但还有另一类复杂度，叫本质复杂度。

它来自问题本身。

用户到底要什么？业务规则为什么这么绕？哪些边界情况不能漏？什么叫正确？什么叫可接受？不同目标之间如何取舍？

这些问题 AI 不能替我们消灭。

它可以帮我们表达、整理、推演，但最终判断仍然要靠人。

这也是 Brooks 在《没有银弹》里讲过的核心观点：

软件开发没有一种单一技术，可以神奇地消灭所有复杂度。

AI 是非常强的工具，但它不是银弹。

它让偶然复杂度快速下降，也让本质复杂度变得更加显眼。

过去我们可能被“写不出来”“做太慢”挡住。现在这些阻碍变少了，真正的问题浮出水面：我们是否真的想清楚了？

验证没有消失，只是位置变了

有人会说，既然 AI 让开发、测试、部署都变快了，那 Eval 循环是不是就不重要了？

不是。

更准确地说，Eval 循环仍然重要，只是它的相对成本在很多场景里降低了。

对于普通软件产品，自动化测试、CI/CD、AI 辅助修复会让验证变得更快。

在机器人、医疗、金融、安全这些场景里，Eval 仍然很贵。

因为真实世界不会因为 AI 变得更宽容。

机器人摔倒了就是摔倒了。医疗判断错了就是风险。金融系统出错会带来真实损失。安全系统不能靠“看起来差不多”上线。

AI 时代不是“不需要 Eval”，而是更需要高质量的 Eval。

因为 AI 会生成大量看似合理的东西，我们更需要证据来判断它是否真的正确。

以后软件工程里的状态，不应该再靠人手工填。

不是谁在群里说“我做完了”，状态就变成完成。

真正的状态应该来自证据。

测试有没有过？部署有没有成功？用户有没有反馈？指标有没有变化？日志有没有异常？这些证据应该自动流动，自动形成状态。

进度不应该靠追问长出来，而应该从证据里长出来。

协作也变了：不只是人与人，还有人与 Agent

过去的软件协作，主要是人与人的协作。

产品、设计、研发、测试、运维，需要互相沟通、对齐、交接。

AI 时代，协作结构里多了新的角色：Agent。

Agent 不只是工具按钮，而越来越像一个参与者。它会读文档、写代码、改测试、生成方案、执行任务。

这带来一个新问题：上下文必须显式化。

过去很多上下文藏在人脑里，散在聊天记录里，埋在会议纪要里。人和人之间还能靠默契补齐。

但 Agent 不懂默契。

它需要可读的上下文，需要清楚的约束，需要明确的 Definition of Done，需要知道哪些事情能做，哪些事情不能碰。

所以文档的意义也变了。

过去文档常常是给人看的说明，写完就慢慢过期。

现在，好的文档应该变成活契约。它不仅给人读，也给 Agent 执行。它应该能交接、能复用、能约束行为。

在 AI 时代，管理上下文，比管理人更重要。

康威定律仍然有效，而且更复杂了

还有一条老定律没有失效：康威定律。

它说，系统的结构往往会长成组织沟通结构的样子。

简单说，就是谁和谁沟通，系统边界就会在哪里出现。

过去，如果团队沟通混乱，软件架构往往也会混乱。AI 出现以后，这件事没有消失，反而更复杂。

因为沟通结构里不只有人，还有 Agent。

人和人要对齐，人和 Agent 要对齐，Agent 和 Agent 之间也要通过共享上下文间接对齐。

如果组织本身不清楚，需求不清楚，责任不清楚，边界不清楚，那么 AI 只会更快地把混乱生产出来。

AI 不会自动带来好架构。

好的架构，仍然来自清楚的意图、合理的组织结构和持续的反馈。

软件工程，工具变得复杂，而软件管理有四件事变得尤为重要

AI 时代，我们很容易陷入一种错觉：只要找到更好的工具，就能解决管理问题。

但真正重要的管理，很多时候并不在工具里。

代码仓库可以管理代码，文档系统可以管理资料，项目工具可以管理任务，AI 可以生成产物。

可有些东西，工具装不下。

第一，是团队文化。

团队是否鼓励学习？是否允许探索？是否能容忍失败？是否愿意面对真实问题？这些决定了 AI 会被用来创造更好的东西，还是用来更快地产出平庸内容。

第二，是靠谱的人。

AI 时代，角色边界会越来越模糊。工程师会更懂产品，产品会更懂实现。真正重要的不再只是某个固定技能，而是学习能力、判断力和闭环能力。

靠谱的人，不是永远不犯错的人，而是能把事情从意图带到结果，并且知道什么时候不该盲信 AI 的人。

第三，是真实用户反馈。

当建造变便宜，最危险的事情就是更快地做错东西。

没有真实反馈，团队很容易沉浸在自我感觉良好的指标里。真正的用户反馈，是判断价值是否成立的唯一诚实来源。

第四，是 SDD 方法论。

这里的 SDD，可以理解为 spec 驱动、设计先行、Eval 验证。

AI 时代，spec 变成了关键杠杆。

Agent 执行的不是你的愿望，而是你表达出来的 spec。

你说得越清楚，它越可能做对。你说得含糊，它就会用自己的方式补全，而补全出来的东西未必是你真正想要的。

懂的部分，要先写清楚 spec。

不懂的部分，要通过探索发现 spec。

最后再通过 Eval 证明它没有塌掉。

最后的结论

AI 时代，软件工程当然变了。

写代码变快了，交付节奏变快了，工具能力变强了，Agent 成了新的协作者。

软件工程的底层并没有完全改变。

复杂度仍然存在，验证仍然必要，责任仍然在人，协作结构仍然会影响系统结构。

真正的变化是：

稀缺资源从执行力，转向判断力。

协作重点从管人，转向管上下文和证据流。

价值判断从“有没有做出来”，转向“有没有做对”。

AI 吃掉的是“怎么做”的一大部分成本。

但“做什么”和“做对没有”，仍然是人的核心责任。

一个工具最大的价值，是让你意识不到它的存在。

而 AI 时代真正值得守护和训练的，也许不是某个工具技巧，而是更清楚地理解问题，更诚实地面对反馈，更有判断力地做选择。