来源笔记
AI demands more engineering discipline. Not less
摘要
这篇文章认为，AI 编码提高了对工程纪律的要求，因为代码现在生成成本低，验证成本高。它建议团队把规格、可观测性、生产反馈和可重复验证作为长期有价值的资产。
问题
- AI 编码工具能比过去更快、更便宜地生成常见代码，因此只靠人工审查代码行会变成较弱的控制手段。
- 团队常把产品意图、边界情况和运维知识存放在旧代码和人的脑子里；这会让重写和迁移变得有风险。
- 非确定性的 AI 系统需要更紧密的反馈环，因为用户仍然需要稳定行为、持久数据和可靠事务。
方法
- 把源代码视为共享理解的一次性输出，类似不可变基础设施取代可变服务器。
- 把严谨性转移到可检查、可重放的产物中：规格、不变量、行为测试、特征化测试、捕获/重放设置、流量拆分、追踪和生产环境评估。
- 使用带有工具、函数调用和 MCP 式集成的智能体式 LLM 封装来生成或重新生成代码，然后用编码后的行为验证它。
- 审查架构图、需求和验证信号等更高层产物，而不是只依赖逐行代码审查。
结果
- 文章称，到 2025 年 11 月，Anthropic Opus 4.5 让 AI 生成代码在常见模式上大致达到中位数水平软件工程师的质量，同时耗时和成本更低；文章没有给出基准数据集或分数。
- 它把实用的智能体式编码封装的兴起定在 2025 年中，前身出现在 2024 年末，到 2025 年底已具备广泛可用性。
- 它估计，如今只有约 5% 的软件团队在短反馈环中工作，且比例低于 10%。
- Honeycomb 在 2025 年 8 月发布了内部 AI 指令，文章把它作为具体采用标志，而不是作为经过测量的实验。
- 这篇文章没有给出受控的量化结果、数据集或基线比较；其中最具体的有力主张是，代码生产的经济性变化快于验证实践。