近日，InfoQ技术编辑组策划了一场关于2025年度盘点与趋势洞察的直播，邀请了三位深度实践者分享对AI编程的观察与思考。他们分别是Kreditz AI Orchestrator马工、资深AI产品专家松子（李博源），以及资深独立咨询师、AI Coding资深实践者张汉东。
这三位专家在过去一年中大量使用AI编程工具，并在团队和组织层面进行了诸多探索。他们的共识是：我们已彻底回不去纯手工编码的时代了。AI已深度介入开发流程，接管了大量的主观能动性。人类在AI时代的核心价值，正从“如何写代码”转向“写什么代码”——即需求表达、方案判断与架构设计的能力，这被视为目前AI难以替代的“最后护城河”。
他们认为，AI编程的成本已远低于人力，其产出效率堪比小型团队。但这并不意味着行业门槛的降低，而是呈现出“入门门槛降低，精通门槛拉高，天花板抬升”的特点。依赖手速和熟练度的中间层工程师正被快速替代，而真正具备架构能力的人因AI而变得更加稀缺。
图为专家松子的月度Token用量统计，展现了高强度AI编程的投入。
一、工作流的重塑：“AI已接管我的主观能动性”
问：对比使用AI工具之前，你的工作流程发生了怎样的根本变化？
松子：变化巨大且跨度很宽。过去做一个需求，流程是查文档、写PRD、画原型图，然后等待技术团队实现。现在完全不同了，有想法就直接和AI进行头脑风暴，看着AI写代码，指挥AI去执行，拿到结果后再和技术团队一起评审，由他们来做加固和优化。
马工：在团队层面，我刻意将规模设计得非常小，通常只有两三个人，尽量避免大团队的沟通损耗，因为有些人跟不上节奏反而会拖慢效率。在个人工作流上，核心是我与AI的持续对话，由我来设计和引导它。
张汉东：以前我非常关注代码细节，比如优雅性和精细化的质量控制。使用AI之后，我更多站在更高的抽象层面思考问题，从架构层进行设计，甚至可以同时开多个分支并行推进。代码评审也大量使用AI，先由AI生成一份review报告，再进行人工检查，实现高效并行。
问：你现在写的代码，有多少比例是在没有AI的情况下，你确信自己能完整写出来的？
张汉东：技术上可以，我有近20年的项目经验，手写代码本身没问题。但最大的问题在于，我已经不想手写了。现在是AI First，它已经在很大程度上接管了我的主观能动性。
松子：如果没有AI，我几乎一行代码都写不出来。但我的价值不在于逐行写代码，而在于：第一，清楚自己要做什么；第二，能够判断AI给出的方案是否可靠；第三，能把需求描述清楚。这三种能力，是AI目前无法替代的。
马工：从理论上讲当然可以手写所有代码，但从工程角度看，这完全不现实。AI写代码的速度是我的十几甚至二十倍。比如我假期完成的一个项目，没有AI可能需要一年，现实中老板不可能批准这样的周期。
二、工具与实践：结果为王，Rust展现AI友好特性
问：如何评价当前国内外的AI Coding工具？有哪些看起来很先进，但在实践中很快暴露出问题？
马工：我并不把AI当作工具，而是把它当作一个同事。我们甚至探索出一套“AI管理学”的理论。我现在反感一些大厂的做法，声称做出了一整套方案却未经实战检验。我评估工具的唯一标准是：有没有在真实生产系统中处理过真金白银的案例。 没有，我基本不相信。
张汉东：产品经理背景的用户使用Vibe Coding时，可能不太关心底层代码质量，更关注功能是否可用。而程序员出身的人则会带着工程习惯，更在意代码质量和可维护性。因此，我需要对AI生成的整体逻辑进行把控，即使不逐行检查，也必须在脑中建立清晰的心智模型。
松子：我的评价标准很简单，真正能交付成果的，才是好工具。我用过不少工具，国内外都有。国内工具并非不努力，但底层模型能力仍有差距。面对复杂需求时，错误率偏高，需要花费大量时间调整。在实际使用中，我用AI生成Demo和高保真原型可能只需两三天，但用Claude Code交付一个应用级项目，通常需要三到四周。
问：是否存在某些编程语言天生更适合AI Coding？
马工：我相信整个软件栈都需要被重新设计，变得对AI更友好。Rust在我看来就是一种非常AI友好的语言，因为它可以在编译阶段完成大量验证，只要能通过编译，代码质量就已经很高，这对AI非常有利，能极大降低迭代成本。除此之外，linker、compiler甚至操作系统，未来都可能需要重构为AI友好的形态，这里面存在大量创业机会。
张汉东：Rust对AI友好，很大程度上源于它强大的编译器体系，这为AI提供了一个清晰的验证反馈回路。更重要的是，Rust以类型系统为核心，而类型系统本质上是一种逻辑证明。当Rust程序编译通过时，意味着它在逻辑层面已经被“证明”过了。我们团队也在探索为Rust引入动态语言能力，让安全核心由Rust承担，快速迭代的业务逻辑则由动态语言实现。
三、协作模式：从“海绵代码”到“AI团队管理”
问：你们如何看待Lovable（快速出Demo）模式和Claude Code（生产代码）模式？
松子：Lovable是我早期常用的工具，适合快速生成原型与客户沟通。但我曾犯过一个错误：试图把Demo代码演进成生产代码，结果掉进深坑。我的原则是：Demo属于日抛型产物，只用于表达和验证想法，用完即弃。生产代码必须经过完整重构。
马工：我不完全同意“Lovable不能用于生产”的说法。销售做一个能促成订单的Demo，本身就是生产，它在业务上的价值可能非常高。当然，它是日抛型的。关键在于区分场景，你不能一边期望低门槛快速出成果，一边又要求完美架构。这是期望管理的问题。
张汉东：选型时要明确边界。Lovable更偏向“让人喜欢”的Demo型工具，适合给非技术决策者展示，促成决策。它不关注代码质量，而关注是否能表达意图。这类“海绵式”的代码在和客户沟通时，往往比文字、图片更有效，因为它是可交互的。
问：你们现在是用AI帮你们写Prompt，还是主要自己写？
松子：我自己写。试过让AI写，但总觉得AI写出来的太机械，不如自己写得有感情。
马工：我大量用AI写，还专门设置了一个“人力资源负责人”的角色。项目遇到困难或到达里程碑时，我会让这个AI专员回顾聊天记录，总结经验教训，并把这些经验嵌入到各个角色的配置中。这样每完成一个项目，我的各个AI角色都会在能力上有所提升，这是在模拟人类组织的复盘流程。
张汉东：我偏向AI First，尽量让AI写Prompt。但我会对结果进行把控，判断哪些好、哪些无效。如果需要专业Prompt，我会先找网上的成熟案例，再结合AI一起改造成适合自己场景的版本，不断迭代直到有用。
问：AI能否真正理解什么是“优雅的架构”？
松子：在架构设计和战略决策层面，AI可以给你一百种“正确”方案，却无法告诉你哪一种最合适。这种取舍判断，是人类最后的护城河。所谓“优雅”，在我看来不是技术问题，更像是审美问题。AI目前确实还不行。
张汉东：我曾直接要求Claude Code把代码写得更优雅、架构更清晰，它的回复基本是：抱歉，我理解不了“优雅”，我只能进行模式匹配。也就是说，它并不真正理解人类的审美。其次，我们本身就不该指望AI去理解“优雅架构”，这本来就应该由人来把控。Anthropic的“4D人机协作”课程中，第一个“D”（Description）就强调，要明确哪些事由人做，哪些交给AI。
马工与同事在借助AI进行开发工作。
四、成本与未来：全自动之路尚远，人机协作是主流
问：AI编程工具转向订阅制，使用成本是更高了还是更低了？
马工：我不认同“Claude Code很贵”这种说法，这完全取决于参照系。我是把它当作一个“人”来看待。你花200美元，根本不可能在任何地方请到一个能稳定写代码的人。从这个角度看，它便宜得不可思议。
松子：我个人偏好订阅制。以我的真实数据看，一个月用了近28亿Token。如果按API计费，成本会非常夸张；但用100美元的Pro订阅，对我来说极其划算。这相当于一个五人团队数月的产出，而人力成本可能是数十万。
张汉东：在订阅模式出来前用API确实非常贵。转向订阅模式后，只要不同时推进太多项目，额度完全够用。我的建议是，要用就用最好的模型，无论是工作还是学习。
问：如何看待Devin这类全自动AI程序员？未来企业级开发的主流是什么？
马工：关于“软件黑灯工厂”，我几个月前在公司内部亲自尝试过，结果是非常惨痛的失败。类似的全自动方案基本没有真正成功的商业案例。在我看来，这条路线现阶段没必要：既然AI已替代90%的成本，剩下10%插入人工又有何问题？我们的目标是解决问题。
失败原因主要有三：第一，AI在需求理解上极易产生偏差；第二，在系统架构上缺乏一致性；第三，最终交付质量不稳定，AI缺乏人类对质量光谱的上下文感知。
松子：全自动Agent Coding目前有几个致命问题。第一是没人Review，最终谁来负责？第二是上下文严重丢失，十个月后看代码，可能连AI自己都解释不清，黑箱叠加黑箱就成了“黑洞”。从企业角度看，真正合理的形态一定是人机协作：关键节点可控、可维护、可追溯。AI应该是副驾驶，而不是司机。
张汉东：未来三到五年内，人机协作一定是主流，但长期来看，Agent会成为主流。Anthropic推出4D人机协作课程，说明短期内他们并不认为模型会出现彻底替代人的突破。但长期看，Agent方向明确。以Claude推出的Skill为例，它把人类经验和能力更精准地沉淀并交给AI。随着Skill积累，Agent在特定场景中已具备成为主流生产力的潜力。
问：如果有一天AI不在了，你自己还接得住交付的代码吗？
松子：如果AI突然不在了，我确实接不住，但我也没打算硬接，我一定会去找下一个AI。与其担心AI会不会消失，不如担心自己是否跟得上AI的进化速度。
张汉东：首先，我认为AI不可能“不在”。从各国投入看，算力只会越来越充沛。更重要的是你如何看待AI。在使用AI时，我们必须保留自己的判断和验证能力。如果AI不在了，大不了重新学习，但关键在于：你之前用AI写出来的系统，你自己能不能hold住？这取决于你在使用中是否建立起清晰的心智模型。
马工：AI本身不会消失，但它在某个地区的可用性可能成为问题。从企业供应链安全看，通常有两个对策：一是准备Plan B，比如性能80%但价格更低的替代方案；二是在使用中降低对单一模型的强依赖，让工作流具备足够的韧性。
五、开发者与行业：路径塌陷、个体崛起与能力重塑
问：AI编程是提高了门槛还是降低了门槛？
张汉东：我觉得和年龄无关。即便把AI交给一个三岁小孩，只要他具备语言能力、能够表达自己，就同样可以使用。小孩子的特点是不断追问“为什么”，这本质上是提出真实问题的能力。在我看来，使用AI最核心的能力，是觉察到自己遇到了什么问题，并把它清晰地表达出来。
马工：以我的经验看，我们公司已经不再招聘初级工程师，只需要资深工程师。原因很简单：企业不再需要能力处在“及格线”的工程师，因为他的水平可能与AI相当甚至更低，而企业还需支付较高薪酬。我们这些“老手”还能处在第二层，是因为能力比AI略高，可以指导AI工作，这种价值会被AI成倍放大。
松子：入门门槛确实被大幅降低，精通门槛也被拉低，但天花板却被抬得更高了。现在入门可能只需十分钟就能做出Demo，但从“能跑”到“能用”仍有巨大差距。另一个重要变化是中间层的塌陷。过去依靠手速和熟练度生存的工程师正被快速替代。反而是依靠架构能力和判断力的资深工程师，在AI时代变得更加稀缺。AI拉平了“会写代码”的价值，却显著放大了“判断代码好坏”的价值。
问：如果新人都用AI跳过基础训练，10年后谁来当架构师？
松子：AI并不是让架构师变多，而是让真正具备架构能力的人更加稀缺。这种稀缺性非常反直觉，并非因为事情变难了，而是因为成长路径发生了塌陷。新人如果直接依赖AI生成代码，就会跳过“如何设计才是最优”的思考过程。
马工：现有的职务和头衔体系，可能在未来几年内会被重构，取而代之的是一套新的角色体系。我加入公司时是Leader Engineer，但后来我把头衔改成了“AI Orchestrator”。年轻人反而可能更有优势，因为他们没有历史包袱，可以用更AI原生的方式去思考。但在新体系成型前，会有一个艰难的过渡期。
张汉东：我们团队今年已明确要求全面推进AI Coding。如果招聘新人，也必须具备使用AI的能力。因为我们的工作流已全面AI化，如果你不会用AI，基本无法融入工作。现在大家都是AI在干活，没有精力再进行传统意义上的手把手教学，有问题直接去问AI。
松子：过去新人进来还会有人带，现在几乎没人再教，都是直接跟着AI学。另一方面，以前一个项目需要两人协作，现在往往是一个人加AI就能独立完成，形成“超级个体”模式。当前很多年轻人选择创业，因为信息差红利基本消失，创业的技术门槛被大幅拉低。真正的关键转向了商业模式、业务理解和业务架构。
六、2026展望：一人公司成批出现，这是有野心者的最好时代
问：展望2026，最确定会发生的三个变化是什么？技术人最应加强什么能力？
张汉东：过去一年的变化相当于以往十年的迭代速度，很多事情已无法预测。但我仍坚持一个判断：未来三到五年内，人机协作依然存在明确的窗口期。在这期间，首先要跟上AI发展，会用AI；更重要的是获取第一手信息，关注最前沿动态。其次，要掌握最好的AI工具，建立属于自己的AI工作流和学习路径。
马工：我的态度既乐观也悲观。悲观在于，AI取代大部分劳动力、引发大规模失业几乎不可避免。但从乐观角度看，如果有一些年轻人足够有野心，想真正做出点东西，现在反而是最好的时代。我不认为现阶段的工具已达到“世界一流”，这是一场马拉松。年轻人与世界一流专家，本质上站在同一起跑线上。
如果一个年轻人有足够的胆量，想成为新时代的软件工程思想领军人物，现在就是最合适的窗口期，可能只有一到两年。一定要获取一手信息，不要只看别人咀嚼过的结论。亲自动手的成本很低，只有通过实践和对比，才能和别人站在同一水平线。另外，不要只输入，还要输出、去表达。讲对讲错并不重要，只要观点有逻辑，就能吸引志同道合的人。
松子：AI编程正在成为标配，不再是加分项而是基础能力。中间层开发者正在大规模转行或被淘汰，“一人公司”会成批出现。最大的挑战在于学会如何与AI协作，并把更多时间投入到业务理解上。真正理解业务的人，才能告诉AI应该做什么。
归结为一句话：要放下对手工写代码的执念，从“敲键盘”转向“拿指挥棒”。在2026年，真正具备竞争力的，不是单纯写代码的人，而是能够指挥AI写代码、并把握方向的人。
本文整理自InfoQ的直播对话，更多关于技术趋势与实践的深度讨论，欢迎访问云栈社区的开发者广场。对于AI编程的底层技术与开源项目实践，可以在开源实战板块找到更多资源。
发表于 2 小时前
|
查看: 0|
回复: 0
