01. 现实：代码不等于工程
Chris Kelly 认为，那些预测者可能已经很久没有接触过真正的生产系统了。AI 生成的代码仍然是代码，它需要运行、维护和调试。
复杂系统必然会失败
在复杂系统中，会涌现出不可预测的行为（Emergent Behavior）。当系统宕机时，需要人类理解这些细微差别并修复它。
大型代码库的惯性
在大公司（如 Meta），架构决策早已确定。工程师可能花六个月只做一个按钮。AI 在这种环境下的决策空间非常有限。
历史总是在重演
DevOps 和云转型没有消灭系统管理员，而是提升了他们的价值。AI 只是一个新的抽象层。拖拉机没有消灭农业。
02. “氛围编程”的陷阱
“氛围编程（Vibe Coding）”：让 AI 编写所有代码，自己却不加审查、不深入思考，只看结果是否符合预期就继续下一步。
Vibe Coder (凭感觉)
- ❌ 依赖 AI 进行思考和逻辑推理。
- ❌ 完全不检查或不理解生成的代码。
- ❌ 只关心功能是否实现（“能跑就行”）。
- ❌ 忽视性能、安全性和长期维护成本。
Professional Engineer (专业级)
- ✅ 为生产环境构建软件，承担责任。
- ✅ 追求“四个九”（99.99%）的可靠性。
- ✅ 处理数千用户和海量数据规模的挑战。
- ✅ 深入理解代码的细微差别和权衡。
“当软件在凌晨两点宕机时，‘氛围’是无法修复 Bug 的。”
03. 核心价值：超越代码生成
代码之于软件工程师，如同蓝图之于建筑师——它只是工作的产物（Artifact），而非工作本身。
“最好的代码就是没有代码。每一行代码都是负担，都需要维护和调试。”
— Jeff Atwood, Stack Overflow 创始人
我们过于关注 AI 能生成多少代码，却忽视了生成的越多，系统的负担就越重。工程师的价值在于做出决策和承担责任。
软件生命周期的工作构成（概念可视化）
LLM 擅长模式匹配，但它们不做决策。在复杂的生产系统中，维护和决策占据了主导地位。
软件工程师的核心工作是：
安全地变更软件
(Changing Software Safely)
04. 专业人士的 AI 实践指南
专业工程师是 AI 采纳最慢的群体之一，这很反常。但随着工具的成熟（从 GPT-3.5 到现在的 Agent 化），我们需要学会如何利用 AI 构建生产级软件。
A. AI 时代最关键的技能
代码审查 (Code Review)
随着 AI Agent 编写越来越多的代码，阅读他人（或 AI）代码并评估其优劣、风险和影响的能力变得至关重要。
我们应该面试的是代码审查能力，而不是解决深奥的 LeetCode 问题。
B. 构建易于 AI 协作的软件
秘诀在于：这听起来就是良好的软件工程实践。AI 需要和人类工程师一样的工具和环境才能高效工作。
文档化的标准和实践
明确团队的技术栈和编码规范，让 AI 了解代码库的发展方向。
可复现的开发环境
确保开发环境易于搭建且一致，避免过于定制化和独特性。
简易快速的测试
能够在本地快速运行测试，为 AI 提供即时反馈循环。
清晰的边界和任务定义
不要给 AI 模糊的指令。像对待团队成员一样，提供具体、清晰的任务描述。
C. 高效工作流：创建-精炼循环 (Create-Refine Loop)
不要期望 AI 一次性写出完美代码（人类也做不到）。采用迭代的方式：
定义需求，让 AI 生成计划文档（如 Markdown），并用作后续上下文。
让 AI Agent 根据计划文档执行任务，生成初始代码。
审查代码，进行必要的编辑和微调。关注代码质量而非个人风格偏好。
D. 实用技巧与心态调整
警惕拟人化
AI 像人一样说话，但本质是机器。不要轻信它的解释（例如“我只是粗略扫描了文件”）。它只是在基于模式生成文本。
接受风格差异
区分代码是“更好”还是仅仅“不同”。放下对风格的执念，只要功能正确且质量达标即可。让 Linter 处理格式问题。
编写规则文件
在项目中明确定义技术栈和编码指南 (Rules File)，并将其提供给 LLM 作为上下文。
抽象的演进，专业的坚守
工作岗位不会消失，但我们需要适应新的抽象层级。保持专业，提升审查能力，拥抱变化，成为驾驭 AI 的工程师。
Happy Coding.