代码生成已被 AI 解决，软件工程没有：五个阶段看清哪些工作被自动化、哪些更值钱

代码生成正在迅速变成一个已解决的问题。

要一个多阶段 Docker 构建？一个新云环境的 Terraform 模块？一个解析混乱 JSON 的快速脚本？AI 几秒钟就能全部产出。

如果你的全部工作就是拿一张范围完美、毫无歧义的 Jira 工单，在真空里把它翻译成一个 Python 函数，你现在应该出汗了。

在某个狭窄意义上，“AI 取代开发者”的末日预言是对的。但被炒作周期轻描淡写忽略的现实检验是：

代码从来不是瓶颈。

软件开发一直有一个机械层：把已经理解的方案翻译成代码。AI 在这一层正变得出奇地好。

软件工程不同。它是那些代码必须存活下来的、混乱而庞大的生态系统：模糊的需求、遗留系统、分布式故障、安全约束、性能取舍、可观测性、成本、部署、事故，以及没人想得到要写进 Jira 工单的决策。

软件开发正在被商品化，软件工程没有。如果说有什么变化，AI 是让工程问题更重要了，而不是更不重要。

看一个真实世界的工作流

要看清界线画在哪，把一个标准的真实项目拆开。假设你的团队要为一个网约车平台构建动态定价引擎。

目标是基于乘客需求、司机供给和路况实时计算高峰溢价。把这个项目过一遍现代软件生命周期，会是这样：

阶段一：架构与系统设计

写第一行代码之前，你得决定这个系统如何嵌入更大的生态。

• 工作内容：数据用流式遥测还是批量 API 轮询？定价数据库宕机时的兜底方案是什么？是 Kubernetes 集群上的独立部署，还是更大服务的一部分？
• 状态：未解决。 AI 能列出事件驱动架构的利弊，但无法基于你公司特定的预算约束、既有技术债和团队专长做取舍决策。

阶段二：实现与语法

这里发生真正的”写代码”。你需要一个 Python 微服务来摄取数据并运行定价算法。

• 工作内容：写 API 端点、建数据模型、写标准单元测试、组织仓库结构。
• 状态：已解决。 你可以让 AI 搭一个 FastAPI 服务脚手架、生成样板代码，给它数学公式的话连核心定价算法都能写出来。

阶段三：基础设施即代码（IaC）

服务得跑在某个地方。需要 Docker 镜像、容器编排清单和云资源供给。

• 工作内容：写 Terraform 模块供给计算资源，创建多阶段 Docker 构建保持镜像轻量。
• 状态：大部分解决。 AI 生成标准 Terraform 配置和部署 YAML 的能力惊人，处理结构性语法规规矩矩。

阶段四：集成与安全

现在，那个一尘不染的 AI 生成微服务要和真实世界对话了。事情立刻开始崩。

• 工作内容：你的 pod 需要与托管数据库安全认证。CI/CD 管道需要严格的安全门禁。
• 状态：未解决。 为什么云提供商和监控栈之间的认证令牌一直失败？为什么 Terraform state 被锁？跨异构云资源集成身份、访问管理和安全网络，需要深度的上下文调试——AI 在这种问题上持续幻觉。

阶段五：可观测性与生产运维

代码跑在生产环境了。现在你得让它活着。

• 工作内容：定义 SLI 和 SLO，建 Grafana 仪表盘监控延迟，配 Prometheus 告警。
• 状态：未解决。 AI 能写一条 PromQL 查询，但说不出什么问题重要到要凌晨三点叫醒值班工程师。判断 API 超时的尖峰是用户体验劣化还是预期的客户端重试循环，需要人类的业务逻辑。

“真工程”现在实际长什么样

过去二十年，开发者认知负荷的很大一部分花在跟编译器搏斗、背语法、写样板上。这个负担被卸掉后，我们不是工作变少了，而是面对更高层的系统性复杂度。

现在实际的工程工作是这样的：

1. 管理体量问题（更多代码 = 更多混乱）

打字慢的时代，我们引入架构复杂度的速度天然受限。AI 拆掉了这个限速器。当团队能以 10 倍速度生成微服务、脚本和功能时，他们也以 10 倍速度引入集成 bug、扩展瓶颈和技术债。

“真工程”就是搞清楚怎么设计一个能在 AI 生成代码大量涌入下不因自身重量塌陷的系统。

2. 控制非确定性系统

软件工程过去高度确定性：如果 X 发生，就做 Y。现在我们把 LLM 和智能体工作流直接集成进产品生命周期。这些系统会幻觉、会退化、会做奇怪的假设。

专业开发者不再只是”凭感觉写代码”，而是在控制它。新的工程前沿是构建稳健的护栏、验证层和回退机制来控制 AI 智能体，防止它在生产环境自信地执行破坏性命令。你不只是在写逻辑，你是在给不确定性划定边界。

3. 可靠性的溢价

因为代码突然变得廉价易得，产品的竞争优势完全转移到可靠性和运维上。如果任何人都能 20 分钟搭起一个动态定价算法，优势就不在算法，而在基础设施。

这也正是为什么即使有 AI 加持，我们还没看到成百上千个 Uber、Netflix 或 Shopify 级别的公司冒出来。

核心工程工作现在在安全测试这些代码的 CI/CD 管道、保高可用的 Kubernetes 编排、以及能检测到新生成功能正在隐性内存泄漏的可观测性栈里。

AI 时代软件工程师该聚焦什么

范式已经转移。承认它，用 AI 工具处理样板代码，让它们当你的高级自动补全。但要在这个新环境中立足，你需要把焦点从语法转向系统。

想保持不可替代，把精力放在这里：

• 系统架构与取舍：加深对分布式系统如何通信、如何失败、如何扩展的理解。
• 可观测性与 SRE 原则：掌握如何测量对用户真正重要的东西（SLI/SLO），以及如何跨云环境调试复杂基础设施。
• 智能体护栏：学会围绕非确定性 AI 工具构建安全层和控制机制。
• 人类翻译：更擅长坐在利益相关方的房间里，理解核心业务问题，并决定不做什么。

这份清单不穷尽，还可以继续列，但它勾勒出了该往哪走的图景。

软件开发可能已被解决，但工程这门学科比以往任何时候都更关键、更苛刻。

原文信息

• 作者：Jaydeep Karale（@_jaydeepkarale），软件工程师，智能体记忆系列作者
• 发布时间：2026-09-09 原文地址：