ReaderMX.
瑞典马工

全自动AI编程也许还很远，重要的是找到路径

瑞linview约 4 分钟
今天写一篇短的。
自从Claude Code这类CLI形态的AI code assistant火爆之后，AI编程越来越朝着无人化开发的方向探索，相比IDE形态的编程助手更加消耗token，特别利好模型和算力供应商。
笔者暂时仍抱守着人机协同的“近现代”代码开发方式，但也在密切跟进全自动AI编程的动向。
Image
你所理解的错误的AI软件软件开发模式，现实中并没有一句话软件这种魔法
不可否认，AI全自动编程解决了编码的“效率”问题，AI理解人的即时意图生成代码完全不是问题，但是当AI生成了代码后，如何让人去理解AI的实现路径，就非常困难。
毕竟人脑的实时上下文窗口也许只有50个token（人类善于概念的联想与展开，弥补了短时记忆不足的缺陷），而当下最强的claude-4-sonnet上下文窗口超过200k token，单论记忆检索与生成能力，AI远胜人类。
全自动生成代码不是问题，真正有难度的，是如何生成“质量可靠，过程可控”的 “可信”软件。特别是对“棕地（brownfield)”项目的迭代，纯靠AI去读源码就能理解整个软件的全部上下文、迭代历史，进而自动开发出可信的增量功能兼容既有代码，对此我很怀疑。
Image
"AI: 给我生成一个年赚100w的网站"，AI永远不会拒绝你, 然并卵
人驱动AI编程的基本现实，是“人类对AI有效信息供给不足，AI对人类生产能力严重过剩” 这种情况。
人类如果不一次性把话给AI说清楚，AI编程就会变成脱缰野马，开始自由发挥、偷换概念、过度设计、疯狂生成（利好模型算力供应商）、甚至伪造结果。
AI编程助手在人类面前，很容易就变成你手下那个“偷奸耍滑、无脑蛮干”的员工，你如果想有效管理AI编程的输出，也只能像管理人类员工那样，把编程开发的规章制度，有条不紊地写下来让AI去看。
AI看一遍理解不了，那就多看几遍！一个AI agent可能而忘记焦点，那就AI互查，再找另一个角色agent彼此监督制衡，根据场景，捡核心重点看~~
人类要做的，是设计这样一套面向AI agent的组织管理方式。
所以vibe coding才火没多久，context engineering又来了，简单说就是用文档spec系统性地描述软件产品在SDLC各阶段的规约和实现路径。依赖自然语言高效传导上下文，人类和LLM的能力模型是一样的。
近期调研看下来，BMAD-METHOD的方法论建设得很好（user-guide: https://github.com/bmadcode/BMAD-METHOD/blob/main/docs/user-guide.md)，其基本理论就是遵循经典软件工程的理论，把软件开发团队中不同角色的定义植入multi-agent体系，通过AI agent之间的相互协同，按照“设计-实现-验证”的迭代逻辑，系统性的输出可靠、可控的代码。
Image
而从笔者参加过的几场cursor、Claud Code, Kiro交流会上来宾的反馈上看，也证实了当下前沿的AI编程工具最佳实践背后，基本都是一套基于文档spec，按软件工程思维去驱动AI编程的工作方式。
P.S. 不需要长期迭代的工程除外，一次性玩具工程除外。
下面这张V-Model的研发模式概念图就在阐述不同层面的“设计-实现-验证”的方式，也许在未来的全自动AI编程的探索中，会越发凸显其价值。
Image
所以即便是AI加持，软件仍然是“成长”出来的，而非一次性“设计”得到。
在软件开发的过程中你一定会发现新的问题、新的需求、新的设计方案，“设计-实现-验证”在现实的开发流程中从来都不是一条one-way trip，而是在任何环节都会发生反馈修正的大小迭代循环。
要让AI有自我演化的能力，你得教会AI agent学会这套协同开发的模式，别再为了讨好人类而一条道走到黑。
即便未来真正实现了AI全自动编程，那也是是交给一个AI agent团队去左右互搏，自我学习，持续演化。
就像现实中的软件组织一样，那些扮演PM, Analyst, ScrumMaster, Developer, Reviewer, QA的agent，在增量迭代的过程中，除了生成代码，也需要生成“设计、验证、复盘”的文档。
这些中间过程的文档将作为上下文知识的媒介，去驱动各agent遵循自己的角色设定，按照预定义工作流，以自回归的方式开展软件迭代。
人类在这个全自动开发软件的过程中(Human in Loop)，更可能是充当产品经理、架构师、管理者这样的关键决策者，在核心know-how、价值判断、技术决策上把关，在AI agent陷入死循环之际（比如说你发现CC token日消耗$200仍未解决问题），用人类独有的审美、联想、创新，去帮AI agent员工脱困。
Image
单方面追求编码的敏捷快速(speed)或许并不是明智之举，靠卷AI agent的老虎机式编程，也只适合氪金玩家，找对了正确方向后的高速迭代(velocity)才是正解。
个人认为软件工程学在AI时代会是一门真正的科学，成为AI驱动的软件开发的指导思想。
我相信在某些成熟领域，全自动AI编程迟早会实现。
然而跟愿景相比，更重要的是路径。

KEEP THE THREAD GOING

更多来源文章