随着2025年的到来，生成式AI（GenAI）正以前所未有的速度和深度改变着软件工程的实践方式。回顾过去，2022年11月ChatGPT的问世使大型语言模型（LLM）成为公众关注的焦点，其简洁的构建方式与跨领域的卓越表现令人印象深刻，而编程领域无疑是其最具代表性的应用之一。编程的特点决定了它与LLM的天然适配性：

• 语法简洁：相比复杂的人类语言，编程语言的语法结构更加简单，便于LLM学习和生成。

• 数据丰富：开源软件、GitHub等代码库提供了海量高质量的训练数据，为LLM的训练奠定了坚实基础，尽管其获取方式在伦理上存在争议。

据调查显示，约75%的开发者已经在实际工作中使用AI工具。预计到2025年，AI驱动的软件工程智能体（Agent）将成为行业创新的核心。那么，生成式AI究竟会如何改变软件工程？对于软件工程师，是不是面临更高的失业风险？对于小白用户，价值到底有多大？

一、AI在开发中的两种典型使用模式

开发团队目前主要以两种方式利用AI工具，“开荒者”（Bootstrappers）和“迭代者”（Iterators）。这两种模式虽然都在缩短从想法到执行（或最小可行产品MVP）的时间，但其实际影响和隐藏成本却截然不同。

1. 开荒者：从零到MVP

这一类团队利用AI工具快速启动新项目。常见工具包括Bolt、v0以及“从截图到代码”（screenshot-to-code）AI工具。通常按照以下方式工作：

• 从设计或粗略概念开始：以Figma设计稿或简单构思为基础。

• 使用AI生成完整的初始代码库：工具自动将概念转化为可运行代码。

• 在数小时或数天内完成一个可用原型：大幅缩短开发时间。

• 专注于快速验证和迭代：迅速收集用户反馈并调整。

这种方法的效果非常直观。例如，一名开发者使用Bolt将Figma设计快速转化为一个可用的Web应用，虽然距离生产级别的质量还有差距，但已足够获得初期用户反馈。

2. 迭代者：日常开发中的AI助手

相比之下，迭代者更专注于将AI工具融入日常开发流程，使用的工具包括Cursor、Cline、Copilot和WindSurf。他们的工作方式虽然不如开荒者那样引人注目，但更具变革性，通常包括：

• 利用AI完成代码补全和建议：加速代码书写。

• 借助AI进行复杂的重构任务：优化现有代码结构。

• 生成测试和文档：提高开发效率和代码质量。

• 将AI作为“对话式编程助手”：在问题解决时模拟“搭档程序员”的角色。

尽管两种模式都可以显著提升开发速度，但它们带来的隐性成本不可忽视。这些问题并不会立刻显现，但随着项目的发展，会逐渐暴露出来：

• 质量与速度的平衡困境。开荒者快速生成的代码常常只适用于验证原型，但要使其达到生产环境的标准需要额外的时间和资源投入。快速生成的代码可能存在架构问题或隐藏的技术债务。

• 生产力的表面化提升。迭代者虽然在日常开发中显著提高了效率，但这种效率的提升更多体现在局部优化上，对整体项目质量和用户体验的影响较为有限。

• AI工具的学习成本。新手开发者可能过度依赖AI，忽略了对基础编程技能的掌握。AI生成的代码或建议需要经验丰富的开发者反复检查和调整，这可能抵消生产力的提升。

• 用户体验的改善有限。尽管开发速度提升，但实际交付的软件质量和用户体验并没有显著变化。这表明，AI工具主要在开发流程中带来便利，而非直接提升最终产品的价值。

二、“70%问题”：AI学习曲线的悖论

根据谷歌资深工程师Addy Osmani的观察，在AI辅助开发领域存在一种现象：非工程师在使用AI进行编码时，往往会面临令人沮丧的瓶颈——他们能在极短时间内完成70%的工作，却发现最后30%是一个巨大的挑战。

AI工具的“魔力”体现在它能快速帮助用户实现一个看似可用的原型：描述你的需求，像v0或Bolt这样的工具就能生成一个令人印象深刻的工作原型。但接下来的问题便接踵而至。这种困境往往遵循一个固定模式：

• 用户尝试修复一个小问题。

• AI提出一个看似合理的修复建议。

• 修复导致其他功能出现问题。

• 用户请求AI修复新问题。

• AI的修复又引发更多问题……

• 反复循环。

对于非工程师来说，这种循环尤为令人头痛。由于他们对代码整体缺乏深入掌握，无法理解问题本质，因此面对问题只能“猜测”，试图用AI逐个解决问题，但结果是越来越复杂。

资深工程师使用工具如Cursor或Copilot时，往往充满“魔法”：他们能在几分钟内构建完整功能，甚至包括测试和文档。然而，仔细观察会发现，他们并不是简单地接受AI的输出，而是在不断修正和完善代码：

• 重构代码为更小、更聚焦的模块。

• 增加AI遗漏的边界情况处理。

• 加强类型定义和接口规范。

• 质疑AI的架构决策。

• 添加全面的错误处理。

换句话说，AI加速了实现过程，但开发者多年来积累的经验才是真正实现代码可维护的关键。相比之下，初级工程师往往直接接受AI生成的代码，从而构建出所谓的“纸牌屋代码”——表面完整但在实际应用中不堪一击。

我们发现，最成功的非工程师用户往往采取如下混合方法：

• 用AI进行快速原型设计。

• 花时间理解生成的代码如何工作。

• 在使用AI的同时学习基本编程概念。

• 逐步建立坚实的知识基础。

• 将AI视为学习工具，而不仅是代码生成器。

然而，这需要耐心和努力，而这恰恰与许多人使用AI工具时期望“快速实现目标”的心态相冲突。“70%问题”表明，目前的AI编程工具最适合作为以下用途：

• 资深开发者的原型加速器：将熟悉的想法快速实现。

• 初学者的学习辅助工具：帮助用户通过代码学习编程概念。

• 验证创意的MVP生成器：快速验证想法是否可行。

但这些工具尚不足以实现真正的编程普及化。完成软件开发中最关键的“最后30%”——使软件生产就绪、可维护且稳健，仍然需要深厚的工程知识。

三、AI辅助开发的最佳实践

经过对数十个团队的观察，我们总结了一些在AI辅助开发中持续有效的实践模式。这些模式帮助团队更高效地利用AI，同时避免常见的陷阱和问题。

1. “AI初稿”模式

核心步骤：

• 利用AI生成基础实现：让AI快速完成初步代码，以节省时间。

• 手动审查并重构代码：确保代码模块化，便于维护和扩展。

• 添加全面的错误处理：弥补AI常常忽略的异常和边界情况。

• 编写详尽的测试用例：保证代码在多种情景下的可靠性。

• 记录关键决策：清楚说明设计背后的逻辑和理由，为后续开发提供依据。

适用场景：

• 快速搭建项目初期的MVP或功能原型。

• 为简单但耗时的任务提供初始解决方案。

2. “持续对话”模式

核心步骤：

• 每个任务开启新的AI对话：为每个独立任务创建专属上下文，避免混淆或过多信息干扰。

• 保持上下文精简和专注：仅提供必要的信息，帮助AI高效生成相关代码。

• 频繁审查并提交更改：将代码分为较小的增量更改，降低出错风险。

• 维持紧密的反馈循环：持续测试生成代码的实际效果，及时发现并修复问题。

适用场景：

• 长期开发过程中，保持任务的条理性和清晰度。

• 防止上下文过于复杂导致的生成错误。

3. “信任但验证”模式

核心步骤：

• 使用AI进行初始代码生成：充分利用AI的效率来快速完成主要功能。

• 手动审查所有关键路径：确保重要逻辑和功能的准确性。

• 针对边界情况进行自动化测试：AI可能会遗漏极端情况，这些需要通过测试覆盖。

• 定期执行安全审计：避免AI生成的代码中潜在的安全漏洞。

适用场景：

• 对于安全性或可靠性要求较高的项目。

• 开发需要遵守严格规范的关键功能模块。

四、对开发者的启示

今天，尽管AI辅助开发仍面临诸多挑战，但我们依然对它在软件开发中的作用持乐观。

1、AI在开发中的真正优势

• 加速已知领域。AI在帮助我们快速实现已经熟悉的开发模式方面表现出色。它就像一个无比耐心且速度极快的“搭档程序员”，让重复性任务变得更高效。

• 探索新可能。AI擅长快速构建原型和尝试不同的方法。这种能力类似于一个测试平台，让开发者能以极低的成本实验和验证创意。

• 自动化常规任务。AI显著减少了在模板化代码和日常开发任务上的时间投入，使开发者能够专注于更具创造性和挑战性的问题。

2、给新手开发者的建议

• 从小处着手。使用AI完成简单、明确的任务。审查每一行AI生成的代码，确保理解其作用。逐步扩展到更复杂的功能。

• 保持模块化。将代码分解为小而集中的模块。确保组件之间的接口清晰明确。用文档记录模块的边界和功能，以方便后续维护。

• 相信自己的经验。将AI视为一种加速工具，而不是替代你判断的解决方案。对生成的代码保持质疑，特别是看起来不对劲的地方。始终遵循你熟悉的工程标准，确保代码的可维护性和可扩展性。

五、自主型软件工程的崛起

随着2025年的临近，AI辅助开发领域正发生巨大转变。当前的工具已经重塑了我们构建原型和迭代的方式，但更深远的变革即将到来，那就是“自主型软件工程”（agentic software engineering）的兴起。自主动型工具不仅仅响应命令，还能自主规划、执行并迭代解决方案，具备越来越高的自主性。

1、从响应者到协作者

当前的AI工具主要依赖用户输入命令。然而，诸如Anthropic的Claude、Cline等工具的最新功能已经展示了更高级的能力。例如：

• Claude的计算机使用功能：能够独立操作计算机任务。

• Cline的自动化能力：可以自动启动浏览器、运行测试。

这些工具不再仅仅是高级的代码补全工具，而是理解任务并主动解决问题的协作者。以调试为例，未来的AI代理可能会：

• 主动识别潜在问题。

• 自动启动并运行测试套件。

• 检查UI元素并捕获截图。

• 提出修复建议并实施。

• 验证修复是否有效。

2、多模态能力：AI工具的下一步

下一代AI工具不仅限于操作代码，还可能具备多模态能力，如：

• 视觉理解：识别UI截图、原型设计、图表。

• 语言交互：与用户进行自然语言对话。

• 环境交互：操作浏览器、终端、API等开发环境。

3、自主性与指导性并存

在自主型软件工程中，AI不会取代开发者，而是成为更强大的协作者。AI能够主动承担任务，但依然需要人类的指导与监督。未来最有效的团队将学会：

• 设定清晰的边界和规则：确保AI的自主性在可控范围内。

• 建立强大的架构模式：为AI提供明确的工作框架。

• 创建有效的人机反馈循环：充分利用AI的能力，同时确保人类对关键任务的掌控。

• 保持人类监督：在赋予AI自主权的同时，始终坚持质量标准。

4、英语优先的开发环境

正如Andrej Karpathy所说：

“最热门的新编程语言是英语。”

未来的开发环境将逐渐向自然语言靠拢。开发者清晰地思考并精确地用英语表达需求，将变得和传统编码技能一样重要。这意味着，开发者需要在以下方面进化：

• 更强的系统设计和架构思维：定义清晰的系统规则和模块边界。

• 更好的需求规范与沟通能力：准确传达需求，避免歧义。

• 更关注质量保证和验证：加强测试与审核，确保AI的输出可靠。

• 强化人机协作能力：与AI形成默契，最大化协同效应。

5、开发者的未来角色

随着自主动型软件工程的发展，AI将成为一种主动、智能、具有高协作性的开发伙伴。开发者的角色也会从单纯的代码编写者转变为：

• 系统架构师：定义AI和人类共同遵守的开发框架。

• 协调者：引导AI完成复杂任务，同时进行监督和优化。

• 学习者：不断学习新技术和工具，与AI共同进步。

这种变化并不是为了取代开发者，而是为了将他们从重复性任务中解放出来，专注于更高层次的创造性工作。自主型软件工程的未来，将是人类与AI深度协作的新时代。

六、软件作为“手艺”回归？

虽然AI让快速构建软件变得前所未有的简单，但我们可能正在失去一个关键的东西：打造真正精致、面向消费者的高质量体验的艺术。

1、产品“演示”陷阱

如今，团队利用AI迅速生成令人印象深刻的演示版本的现象已屡见不鲜。这些产品在所谓的“理想路径”（Happy Path）上表现出色，能轻松赢得投资人和媒体的关注。但当真正的用户开始使用时，问题随之暴露：

• 令人困惑的错误信息，普通用户无法理解其含义。

• 未处理的边界情况，导致程序崩溃。

• 混乱的UI状态，缺乏清理机制。

• 严重缺乏的可访问性。

• 在低性能设备上的运行问题。

这些问题不仅仅是“次要缺陷”（P2 bugs），它们是普通软件与优秀软件之间的分水岭。

2、丢失的“打磨艺术”

真正优秀的自助式软件（用户无需技术支持即可使用）需要一种全然不同的心态：

• 对错误信息的极致关注：确保它们能帮助用户解决问题，而非引发更多困惑。

• 在低速网络环境下测试：让软件对更多场景兼容。

• 优雅地处理所有边界情况：避免突兀的崩溃和不连贯的逻辑。

• 确保功能易于发现：让用户自然地探索并掌握软件功能。

• 与真实用户（特别是非技术用户）测试：确保界面直观、友好。

这些细节可能无法通过AI生成，它们来源于开发者的同理心、经验和对工艺的深度追求。

3、个性化软件开发的复兴

在市场上充斥着AI生成的最低可行产品（MVP）时，真正脱颖而出的产品将是那些由具有以下特质的开发者构建的：

• 对品质充满热情：追求精益求精，拒绝“差不多”。

• 关心每一个细节：从小问题中发现潜在的改善空间。

• 专注用户的体验：从产品的第一印象到长期使用的每一步都精心设计。

• 为边界情况而构建：避免任何用户因特殊情况而被软件拒之门外。

• 创造真正自助体验：用户不需要依赖外部帮助即可流畅使用产品。

AI工具可能成为这种工艺复兴的推动力。它们接管了许多琐碎的编码任务，从而为开发者腾出时间，让他们专注于真正重要的事情：构建能够服务和取悦用户的软件。

七、全文总结

AI工具在代码生成方面的能力无疑令人印象深刻——它可以根据提示生成代码，也可以在开发过程中提供代码建议。然而，编写代码在整个软件开发过程中占据多大的比重呢？

美国计算机科学家Fred Brooks在50年前的《The Mythical Man-Month》中提出以下时间分配规则：

• 1/3 规划

• 1/6 编码

• 1/4 组件测试和早期系统测试

• 1/4 系统测试

如今，软件开发者的时间分配可能如下：

• 20% 规划

• 40% 编码（包括编写代码和测试）

• 20% 代码审查（其他人的代码）

• 20% 投产准备、发布、小修补、监控和警报

当前的生成式AI工具在“编码”阶段表现出色，但在其他阶段的应用仍然有限。AI的作用并不是让软件变得显著更好，因为软件质量的限制因素从来都不是编码速度。软件开发中真正困难的部分仍然需要人类的判断和经验。包括：

• 理解需求并转化为解决方案。

• 设计可维护的系统架构。

• 处理复杂的边界情况。

• 确保安全性和性能。

AI工具为软件开发注入了新的活力，但它的作用更多是辅助，而非取代开发者。真正卓越的软件不仅需要高效的工具支持，更需要开发者的创造力、判断力和技术深度。开发者只有在与AI的协作中保持主动性，同时坚持工程实践的高标准，才能在AI驱动的新时代中脱颖而出，共同推动软件开发的未来。

硅谷科技评论（SVTR.AI），在ChatGPT问世之际，创立于美国硅谷，依托#AI创投库、#AI创投会、#AI创投营 和风险投资，打造全球前沿科技（AI）创新生态系统。联系凯瑞（pkcapital2023），加入我们，共创未来。点击文末阅读原文，访问SVTR.AI，发现更多机会与内容！