软件工程基本功在 AI 时代比以前更值钱

AI 是复杂度放大器，不是复杂度清洁工”，这绝对不是老工程师的精神胜利法，而是血淋淋的现实。

Vibe Coding（氛围编码）的致命缺陷：Vibe Coding 如果不伴随严苛的软件工程约束，就是一场饮鸩止渴的灾难。它在开发初期透支了短期的速度，换来的是后期系统架构的彻底瘫痪。

AI 极大地降低了“敲键盘（Typing）”的门槛，但它不仅没有降低“软件工程（Software Engineering）”的门槛，反而将系统设计的难度推向了极致。

AI Coding 容易踩的坑、底层的技术本质，以及为什么传统工程原则在今天变成“硬通货”的原因，进行更深入、更深刻的解构：

一、为什么 AI 会天然导致“软件熵”的指数级暴增？

一个非常重要的概念：软件熵。AI 生成代码的速度快了十倍，熵增的速度就快了十倍。为什么 AI 无法自发地维持代码库的秩序？这必须从 AI 的底层底层逻辑来剖析。

1. 局部最优解与全局最差解

大语言模型（LLM）的本质是基于上下文的概率预测。当你给 AI 一段上下文并让它实现一个新功能时，AI 的目标是“在当前给定的上下文窗口内，用最直接的代码满足你的 Prompt 要求”。

它的视界是局部的： AI 很难自发地跳出当前文件或当前函数，去审视整个系统的架构美感、模块边界和未来的可扩展性。
妥协的产物： 为了让你这一轮的 Prompt 跑通，AI 会倾向于写出最直白、最少依赖改动、但也最缺乏抽象的代码（比如直接硬编码、复制粘贴相似逻辑、或者增加一个丑陋的 if-else 分支）。
恶性循环： 第二轮、第三轮迭代时，AI 会基于上一轮已经妥协、已经变烂的上下文继续预测。垃圾引来垃圾，破窗效应在代码库里以微秒级发生。

2. AI 没有“痛觉”

人类工程师在写烂代码时是有“痛觉”的。当你发现要实现一个功能需要改动 7 个文件、复制 3 段类似的代码时，你的大脑会产生抗拒，这种抗拒会驱动你去重构，去抽象。

但 AI 没有痛觉。对 AI 来说，生成 10 行优雅的代码和生成 1000 行冗余的、散落的烂代码，消耗的算力和时间几乎没有区别。AI 极其擅长且乐意在烂代码库里堆砌更多的烂代码来解决眼前的 Bug。这就是为什么几轮 Vibe Coding 之后，系统就会变成没人敢动的“屎山”。

二、深度解构防坑指南：将老原则转化为 AI 的“硬约束”

既然 AI 是复杂度放大器，我们就必须主动施加秩序。你提到的几个方法（Grill Me, 通用语言, 垂直切片, TDD, 深模块）非常赞，它们在 AI 时代的本质，其实是给失控的 AI 套上缰绳。我们逐一往深了剖析：

1. Grill Me 的本质：榨取 AI 的“边缘情况”推导能力

很多人把 AI 当成听话的打字员，这太浪费了。AI 真正的强项在于它拥有海量的模式识别经验（读过无数的开源 Bug 和设计模式）。

为什么要让 AI 审问你？ 因为人类在表达需求时，大脑会自动忽略细节、模糊边界。比如“做一个用户登录”，人类脑子里想的是输入账号密码进主页。但 AI（在被要求 Grill 后）会立刻掏出它的核对清单：第三方登录吗？密码加盐哈希用什么算法？Token 过期策略是什么？单点登录（SSO）要支持吗？
核心思维转变： 不要直接下指令（Imperative），要转变为声明式设计（Declarative）。在动手前，让 AI 帮你把需求的边界条件（Edge Cases）全部逼出来。在架构设计阶段多花一小时折腾，能避免在编码阶段被 AI 带着跑偏两期迭代。

2. Ubiquitous Language（通用语言）：统一 AI 的向量空间

在 DDD（领域驱动设计）中，通用语言是为了解决业务、产品、技术之间的沟通鸿沟。而在 AI 时代，它是为了防止 AI 的上下文污染。

技术内幕： LLM 依靠语义向量来理解词汇。在一个电商系统里，Order、Trade、Bill、Deal 在语义空间里非常接近。如果你不显式定义，AI 在这一轮可能会根据你的 Prompt 倾向选择 Order，下一轮因为你随口说了一句“交易”，它就会自动关联并生成 TradeRecord。
正确姿势： 维护一个 CONTEXT.md 或 GLOSSARY.md。这个文件不仅是给团队看的，更是作为 AI 的 System Prompt 的一部分，或者是工程上下文的“宪法”。每次开启新任务，必须强迫 AI 声明：“我已阅读并理解通用语言规范”。

3. 垂直切片 + TDD：构建 AI 的自动纠偏闭环

你提到“垂直切片是精细手术，而 TDD 是限速器”，这个比喻太精妙了。

为什么要垂直切片？ 因为 LLM 的上下文窗口和注意力是有限的。横向铺架构（先写所有 Model，再写所有 Service）会导致单次生成的代码量过大，人类根本没有精力去 Review 细节，瞬间就会失控。垂直切片将问题域限制在一个极小的、端到端的闭环内，迫使 AI 在一个小空间里保持高水准。
TDD 是 AI 时代最强的约束器：
- 传统 TDD 的痛点： 人类讨厌写测试，因为觉得繁琐，想直接看效果。
- AI 时代 TDD 的红利：让人写测试用例（表达意图和断言），让 AI 写实现代码（填充细节），这是人机协作的黄金模式。 测试代码是绝对精准的自然语言/逻辑描述，它消除了任何歧义。AI 面对一个失败的测试，它的目标极其明确：让这个测试变绿。
- 反馈回路： 这构成了 Prompt -> AI 生成 -> 运行测试 -> 报错反馈 -> AI 修复 的自动化闭环。你不需要去肉眼看它写的代码对不对，测试跑通了，底线就保住了。

4. 深模块（Deep Modules）：人脑带宽的保卫战

Matt Pocock 提到台下程序员觉得更累了，因为“AI 在跑，人在喘”。人脑的认知负荷（Cognitive Load）是有极限的（著名的 $7 \pm 2$ 原则）。

浅模块的危害： AI 特别喜欢写浅模块（创建无数个只有两三行代码的 class 或 function，接口暴露得密密麻麻）。这表面上看起来符合“单一职责原则”，但实际上把复杂的调用逻辑和状态管理甩给了外部。人类工程师在审查代码时，不得不把这几十个小模块的调用关系全部装进脑子里，导致认知过载。
深模块的治本之策： 软件设计的核心是控制复杂性。深模块主张“把复杂的实现藏在简单的接口背后”。
图片描述

三、核心总结与生活中的大白话示例

为了让你彻底记住并能在日常工作中随时调用这些原则，我们用“盖房子”这个生活中的大白话例子来做个总结。

传统的开发，像是你请了一个经验丰富的资深泥瓦匠（高级工程师），他自己一边规划，一边打地基，一边砌砖，虽然慢，但心里有谱，建出来的房子结构稳固。

而 AI Coding 时代的开发，就像是你突然获得了一个“全自动神速砌砖机”（AI）。这个机器一秒钟能砌一万块砖，速度快到飞起。

四、变革时刻：从“代码工人”到“架构裁判”

核心结论：在 AI 时代，代码的生产成本已经无限趋近于零，但代码的阅读、维护和重构成本反而呈指数级上升。
稀缺性发生了彻底的反转：过去，行业崇拜“手速快、能加班写大量代码”的熟练工；现在，AI 把“写代码”变成了烂大街的基础设施。最稀缺、最值钱的能力变成了**“品味、大局观、架构设计能力和严苛的工程纪律”**。

你不再是那个拿着铁锹铲土的工人，你成为了坐在挖掘机驾驶室里的操作员，甚至是工地的总监理。

如果你的基本功不过关，画不出清晰的模块边界，理不清业务的概念模型，AI 就会顺着你的混乱思路，用十倍的速度帮你建造一座宏伟的、随时会坍塌的“屎山城堡”。
只有当你掌握了软件工程的底层常识，把通用语言、测试约束、深度封装当成不可逾越的底线去命令 AI 时，AI 才会成为你手中真正的效率神兵。

会写 Prompt 顶多让你能用自然语言做个玩具；能管理复杂度，才是你在 AI 时代不被淘汰、反而身价倍增的真正护城河。

一、 为什么 AI 会天然导致“软件熵”的指数级暴增？