人工智能没有智慧，你也不会有

过去一个月里，我听到过这些说法：

• 我从2025年起就没写过代码；
• 代码评审已死；
• 人们不再读代码了。

行业确实在变，但那些不再读代码、写代码的人和组织，是在拿自己冒险。

事实是，靠 vibe coding 做出来的项目会随着时间推移烂成一团无法维护的乱麻。原因很简单，却很难解决：代码的可维护性和良好的架构没有可用的度量，因为糟糕的架构或不可维护的代码，要过几个月甚至几年才能看出后果。

坏代码当然可以定义：难读、难懂、难以应对未来任何变化。这种代码里，改一处会以极不确定的方式弄坏程序，或者在离改动很远的地方弄坏逻辑，像“蝴蝶效应”。这种代码里，加一个功能是件大工程，因为要在多处改动，还总会漏掉某处，于是产生不一致。这种代码里，设计的不变量并不清晰，而作者早已不在，没人再守着它们不被违反、维持某种一致性。这种代码难测，需要 mock，暴露实现细节，测试因此脆弱，最终反而挡住了有意义的重构。

然而我们确知一点：发现坏代码需要时间。几个月，几年。当然，有经验的软件工程师有一副好鼻子，能嗅出代码异味，在坏后果显现之前很久就采取行动。

熟练的开发者、专家，靠的是用汗水和眼泪换来的直觉——长时间加班调试和修复线上问题，发誓再也不犯过去那种蠢错误。这种直觉没法真正写成一套死规则，因为一切都取决于上下文。让新手更高效的规则和配方，对专家并不适用。专家不遵守规则，他们制定规则。

于是问题就来了……

首先，AI 的训练目标里压根就没有“代码可维护”这回事。比如，任何强化学习都需要一个能即时测量的奖励信号，而不是几个月甚至几年后才见分晓的东西。AI 从面向初学者的规则手册里学规则，从现实世界的代码里找模式——而说实话，现实世界里的大部分代码都挺烂的。可维护的代码没法定义适应度函数，至少我们找不到，否则早就写进 linter 里了。

你有没有注意到 AI“简化”代码的水平有多差？对，就是那些 SOTA 模型。它连函数都定义不好，只会把函数拆成更小的函数，而这些小函数根本不可复用。从一个更大的函数里抽出一个小函数，如果理解大函数还得去读被抽出来的小函数的实现，那就是个糟糕透顶的选择。定义可复用、能让代码更清晰的函数是一门艺术，需要功力。大多数开发者按 Dreyfus 模型还停留在 “高级初学者”阶段，定义不出好的、能让代码更清晰的、可复用的函数，AI 目前也做不到。

如果人还能掌控局面、还能从这些错误里学到东西，那也不算太糟。但我们看到一种趋势：人们开始依赖 AI 来写代码，甚至读代码。

这些人永远到不了精通，因为他们不再做选择，不再为编码中的错误负责，也不再从错误中学习。现在犯错的是 AI，AI 不会从这些错误里学习，依赖 AI 写代码的人也不会。

唉。

别误会，我认为 LLM 是个好工具。我不是卢德分子，我在日常工作里已经用上了 AI，还把自己学到的东西教给同事。那些无聊透顶、消耗灵魂的破事，我很乐意交给 LLM 去处理。效率上的提升我也确实享受到了。但说到底，它只是个工具，和所有其他革命一样，它的光芒终会褪去；在我看来，已经开始了——现在的科技新闻实在无聊得很。

人类其实很不擅长预测。我相信未来会让我们所有人大吃一惊。不过，我还是要做一个自己的预测……

未来会有越来越多的公司自豪地把“NO-AI”政策当作竞争优势来炫耀。而且他们是对的。

“可自动化流水线总是更高效啊”，人们这么说。但软件行业是个例外：我们一直在做大规模自动化，我们做的每一件事都是自动化，LLM 并不是实现它的唯一手段，而且视具体情况而定，它甚至可能是一种干扰。“编程问题并没有被解决”，在任何有意义的意义上都没有。当然，你可以让 LLM 给你造一个 C/C++ 编译器，或者你直接 clone GCC 或 LLVM，还能免费得到一个更好的 C/C++ 编译器。也许有比重新发明同样的 CRUD 应用更好的方式来花我们的时间和资源（人类的需求和欲望是无穷的，永远不缺新的目标可做）。

如果人们和公司不开始负责任地使用它，后果将会到来。