软件工厂时代,人类专业经验的价值何在
O'Reilly Radar 发文讨论 AI 智能体接管大量编码后开发者专业经验的去向,认为经验并未消失,而是转移到设计智能体工作流、设定护栏、判断产出是否可信等更高抽象层。文中引用 Anthropic 数据称 Claude 撰写了其代码库约 80% 的合并代码,并提到 CodeScene 研究发现智能体在不健康代码上完成相同任务多用 35–45% token。
O'Reilly Radar· Louise Cox·2026-11-18 00:55· 1 小时前AI 评分48
软件工厂时代,人类专业经验的价值何在
人类专业经验在软件工厂中的价值
AI 导读
O'Reilly Radar 发文讨论 AI 智能体接管大量编码后开发者专业经验的去向,认为经验并未消失而是转移到更高抽象层:设计智能体工作流、设定护栏并判断产出是否可信。文中引用 Anthropic 数据称 Claude 撰写了其代码库约 80% 的合并代码,并提到 CodeScene 研究发现智能体在不健康代码上完成相同任务多用 35–45% token。
正文 · 原文

“任何足够先进的技术都与魔法无异。”—— Arthur C. Clarke
如今大多数开发者手写代码更少了。Gergely Orosz 最近发文称,现代软件工程已无法脱离 LLM 进行,未来也将如此。有些人怀念写代码,而其他人则质疑智能体产出的代码有多少值得阅读。编写和阅读代码曾给许多开发者带来满足感和身份认同,正如 Kent Beck 所说,还有一种胜任感。我亲眼见证了这一切。
十年前,我坐在各种会议上,每当有人勇敢地做现场演示时,我都会感到惊叹。当他们写下几行代码、回头修复错误,并让屏幕上出现酷炫有趣的东西时,我感到欣喜。那很神奇,我相信正是这种魔力让许多开发者进入了这个行业。我部分理解人们正在经历的失落感。我看到了魔法,他们掌控着自己代码的技艺,而如今这项亲力亲为的任务已交给了智能体。当 AI 现在编写如此多的代码时,那份专业经验去了哪里?
正如 Tim O’Reilly 在最近一篇Radar 文章中所写,O’Reilly 是一家建立在培养和分享人类专业经验之上的企业。我们的工作是找到那份经验仍然重要的高地。对于在智能体软件工厂新世界中工作的开发者,我认为你在编写和维护软件中积累的专业经验并未消失,只是转移了。你的专业经验如今塑造着智能体如何生产软件,以及在我们信任结果之前需要哪些证据。对我而言,AI 让你能更快地施展魔法。
智能体会放大你给予它们的一切,但你首先需要理解它。我无法像开发者那样指挥一群智能体,因为我没有那份专业经验。你需要理解代码。专业经验已转移到新的抽象层次。
最近我与 Flatiron School 创始人 Avi Flombaum 交谈时,他同意开发者的价值从来不仅在于编写或阅读代码。AI 改变了机制,但经验对于理解复杂问题领域、阐明需要构建什么,以及为工作带来判断力和雄心仍然重要。在另一次与 Ken Kousen 的对话中,他指出:“我们多年来一直在使用第三方代码生成器;我们只是称之为外包。”这个设计 AI 工作流、设定护栏、像管理工程团队一样管理智能体的新世界,揭示了更多运用积累经验的机会。重要的是你的软件工程专业经验。
软件工厂让这一转变尤为明显。企业如今正让智能体贯穿整个开发生命周期,目标是从最初的信号一路推进到实现、验证和部署,而无需在每一步都有人参与。但生成更多代码只是这一过程的一部分。如果其他环节不做改变,你可能会消耗大量 token,产出一堆仍然需要有人审查的拉取请求。Anthropic 的AI 原生 SDLC 手册指出,加快实现速度会把压力转移到规划、测试、审查、交接和审批环节,而更快的编码工具本身并不会加快这些环节。必须有人足够深入地理解整个流程,才能对其重新设计。
在软件工厂中,这种判断力必须内建于系统之中。人类设计工作流,定义工作可以推进的条件,并决定哪些例外需要自己关注。Anthropic 报告称,合并进其代码库的代码中约 80% 由 Claude 编写,同时配套一套审查流程,根据风险将自动化检查与人工监督相结合。
代码的状态同样重要。Adam Tornhill 和 CodeScene 研究团队发现,在 C++、Java 和 Python 代码库中,智能体在不健康的代码上完成相同任务要多消耗 35–45% 的 token。这使得重构代码库中智能体最常触及的部分成为一项明智的投资,但必须有人知道哪些部分属于此类、决定“更好”是什么样子,并确认行为没有发生变化。
上下文也是同样的道理。在 Port 的测试中,为智能体提供结构化上下文,相比直接访问各个独立的 MCP 服务器,成本降低了约 58%。再加上关于到哪里寻找相关信息的说明后,节省幅度提升到约 80%。这些数字是 Port 实验的特定结果,但其背后的工作对任何有经验的开发者来说都不陌生:知道系统中哪些关系重要,并在系统变化时保持这一知识准确。测试告诉你某项具体改动是否有效,而评估工作流则告诉你它有多可靠地产生可接受的改动,以及何时需要人介入。
在《面向 AI 工程师的评估》一书中,Shreya Shankar 和 Hamel Husain 描述了从系统实际行为的真实追踪记录入手的方法。首先是开放式编码:阅读追踪记录,就出错之处写下简短笔记。然后是轴心编码:根据实际观察到的内容,把这些笔记归入失败类别。一位在生产系统上调试多年的开发者,会比没有这种经验的人更快地发现真正重要的失败,并搁置无关紧要的失败。这正是开发者经验如今体现之处:在他们定义的问题、设定的标准,以及在任何东西发布前所要求的证据之中。
每个行业的每一次变革都会让一些人不舍旧方式,但行业依然存续了下来。早在2025年12月,我曾写道:“AI奖励强大的工程能力;它不会取代工程能力,”我坚持这一说法。对我来说,开发者依然充满魔力,即使写代码的不是他们本人。我自己无法搭建一座软件工厂,因为我没有多年经验去判断智能体该在何处工作、如何为它们设置护栏,以及如何评判它们的产出。具备这些经验的开发者,才是我信任来搭建它的人。而且,正如Ben O’Mahony最近对我指出的:“那些大量接触智能体工程的人已经看穿了魔法,回归到了工程本身!”参与其中令人兴奋。
想了解在这个新世界里如何看待工程技艺?欢迎参加Avi Flombaum的新系列节目The Agentic Rethink,2027年1月13日星期三起在O’Reilly平台上线。
来源:O'Reilly Radar · oreilly.com
来源:RadarAI · aihot.news