逻辑前瞻：AI 拉低了写代码的门槛，人人都能随手搓出系统。但跑通代码不等于理解系统，AI 的天生惰性加上人类的工程信息差，正在制造无数跑得通却拉了一地的黑盒工程。算力燃烧的烟花转瞬即逝，最终的壁垒依然是留在人脑子里的工程严谨度。

AI 解放劳动力的势头，和石器升级到铁器，或是蒸汽机与珍妮纺织机别无二致。从 GPT-3.5 崭露头角，到 GPT-4 系列跃升，再到如今 Claude、Gemini 以及 DeepSeek 的百花齐放；2024 年 AI Agent 已经能让人一下午搭出一个像模像样的 SaaS，今年更是能在 ACM 与 CTF 等竞赛中霸榜。这的确把技术的门槛踹塌，卷出了新高度，但也出现了新的奇观，初学者连题目背景都没看懂，代码却已经跑通了。题是做出来了😋人脑却依旧是空的

技术从来都是两极分化的放大器。会深度思考的人借它一日千里，但“AI 能写”和“能交付好结果”之间，隔着一条由人把关的深沟

一个毫无工程经验的小白，平时只会开关机和打字，现在要借 AI 开发一个系统。AI 随手用了 A 框架把功能跑通了，但实际上 A 框架早被社区弃用、甚至暗埋死锁隐患。更好的选型是 B 框架，可这个小白甚至连“框架”这个概念都不存在，他怎么可能知道去提防

这是 Vibe Coding 的尴尬死穴：工程信息差。就像 AI 为了省事，在工作区给你堆了一大堆零散脆弱的 .sh 脚本，看似跑通了，实则拉了一地；而现代工程明明可以用一个 justfile 优雅地收敛所有流程。但小白连 Rust 生态和现代 CLI 工具的名字都没听过，甚至 AI 直接给他拿 Python 乱炖出一个摇摇欲坠的大型工程，他也只能照单全收。你不知道自己不知道，这才是最致命的

AI 的本性是迎合且惰性。如果用户不设防，它大概率会挑一条阻力最小、最快把测试跑通、但在工程维护上最拉胯的路来应付。基本上解决方案是：

  • 使用一些厉害提示词来让 AI 找到更优的实践（Plan 模式）
  • 让多个会话的 AI 相互对抗
  • 看顶级开源项目的骨架并品味借用

时代变了，以前学计算机，路径是 Bottom-up（自底向上），需要你必须先吃完基础知识，然后学习 C 语言甚至操作系统和编译原理这堆苦头，被毒打好几年，才慢慢熬出所谓的工程品味。而现在 AI 时代，路径被颠倒成了 Top-down（自顶向下），用户不需要知道底层怎么打字，只需要拥有批判性思维、知道自己不知道什么、以及设计审判规则的能力，就可能可以做好厉害项目

相对理想的还是程序员不断去学习，并且能在 AI 的帮助下去理解 AI 真正在干什么和干了什么，并且以严谨的态度找到最佳实践，这才是厉害的新时代程序员。
这也从理论上打破了一个最近很有趣的假设：既然编程门槛归零，纯文科生是不是就能轻松抹平与科班生的差距：

但显然，它们并不收敛于同一个地方。

归根结底，AI 就像一台高维投影仪，输入一句话，吐出一坨代码，跑通了就 merge，不管里面是 .sh 还是 justfile，全凭运气去赌里面藏着的是现代最佳实践，还是一颗未来才会引爆的雷。过去手写代码的熟练度是程序员的壁垒，但今天生成一段看起来能跑的代码成本已经趋近于零，真正稀缺且珍贵的能力，变成了去审查 AI 写的代码是否优雅、是否严谨、是否是现代最佳实践、边界条件是否经得起推敲。

Token 只是算力燃烧的烟花，转瞬即逝。唯有学到的东西才是最珍贵的