我喜歡寫程式。先聲明這一點。
解決問題、架構決策，以及當一切就緒時的那種感覺。這些都沒有改變。改變的是圍繞著這一切的周遭事物。
最近我花費大部分時間在撰寫代理程式（agents）和工具。建構監督 AI 代理程式的系統、訓練模型、串連 AI 負責繁重工作的管線，而我則負責思考。老實說？我比以往任何時候都更開心。
大家都知道現在的模型很厲害。這不是新聞。但大多數人仍然沒有抓住重點。他們看到 AI 生成的程式碼，稱之為垃圾，然後就此打住。確實，在沒有指導的情況下，它就是垃圾。但有指導呢？模型可以寫出比大多數開發者更好的程式碼。這才是人們不願面對的部分。當有指導時。當你知道你想要什麼時。當你知道該採用哪種架構時。當你理解權衡取捨並能清晰地闡述它們時。遊戲就進入了簡單模式。
我現在正在建構一個東西。我不會透露細節。你不能洩漏想法。但它涉及並行圖遍歷、多層雜湊策略、抽象語法樹（AST）解析，以及檔案系統監視器，所有這些都串連在一起。這不是週末的駭客任務。但 AI 正在撰寫遍歷邏輯、雜湊層、監視器迴圈，而我則設計架構並決定當狀態變更傳播時系統應該如何反應。我能在幾小時內交付過去需要幾天的成果。不是原型。是真實的、結構化的、架構良好的軟體。
除錯？現在的除錯如虎添翼。我同時運行多個代理程式，將我的想法餵給它們。我懷疑是這樣，我會在這裡尋找，這沒有意義。它們會分散開來挖掘。這就像我的問題解決直覺同時乘以五個大腦。我仍然掌握直覺。代理程式只是以我從未有過的速度執行。
幾個月來，我沒有手動寫過任何樣板處理器。我不知道多久沒有手動腳手架過一個 CLI 了。我一點也不懷念這些。
問題是：你無法向一個不懂真正軟體工程的人證明這種產出量。他們看到結果，認為「嗯，是 AI 做的。」不。是 AI 執行的。我設計的。我知道該要求什麼，如何分解問題，使用什麼模式，模型何時偏離軌道，以及如何糾正它。這不是提示（prompting）。這是工程。
當一個沒有這種直覺的人嘗試做同樣的事情時？他們得到的是義大利麵條。能編譯但無法擴展的程式碼。在你增加第二個需求時就崩潰的架構。模型不會拯救你免於做出糟糕的決定。它只會幫助你更快地做出這些決定。
技能不再是寫程式碼了。技能是知道該建構什麼以及它應該如何運作。程式碼只是結果。
我不擔心。我仍然可以在沒有 LLM 的情況下反轉二元樹。我仍然可以推理時間複雜度，透過閱讀程式碼除錯競爭條件，透過思考追蹤記憶體洩漏。因為在所有這一切出現之前，我已經非常努力地學習了。那個基礎不是裝飾。這就是為什麼 AI 對我來說有用的原因。沒有它，你就不知道模型何時出錯。你不知道該問什麼問題。你不知道什麼才是好的。大多數人低估了這有多重要。
但事情是這樣的。那個基礎不再是受限的了。你現在可以學任何東西。我是說任何東西。資源、工具、隨時可用的導師，一切都在那裡。進入門檻從未如此之低。所以，如果你還沒有建立起這種直覺，你就沒有藉口了。現在就開始。
如果你花了數年時間建立它，理解系統，理解架構，理解事物為何會崩潰，你並沒有被取代。你正在被放大。
我認為我們或許都已成為 AI 工程師了，而我不知道該如何看待這件事。
我所知道的是：當我審視一個團隊或工作場所時，我首先注意到的事情之一就是他們如何看待 AI。不是他們是否採用了所有工具，而是他們是否好奇。他們是否在關注，因為這不是一個階段。這是方向。懂的團隊？那些是我想要加入的。
編輯 — 2026-03-06T17:06:41Z：這篇文章在 Hacker News 上引起了熱烈的討論，而且很多反駁都是合理的。所以我想澄清幾件事。
我不是隨意編碼。每一個 AI 生成的程式碼行都會被審查。每一個陳述。如果我不理解它在做什麼，它就不會被交付。這是不可協商的。
在使用 AI 和盲目委託給 AI 之間有一條界線。對我來說，這條界線是範圍。小型、定義明確且輸出可驗證的任務？這就是代理程式擅長的地方。但當問題需要對系統有深入的了解時，那種只有透過實際工作才能獲得的知識，我自行處理會更快。知道何時使用工具以及何時放下工具是技能的一半。
我也想清楚地說明一件事：我所知道的一切，都是從人們那裡學來的。審查我粗糙的拉取請求（pull requests）的資深工程師。花時間解釋我思路為何錯誤的同事。書籍。回饋。多年來寫出糟糕的程式碼並慢慢理解為何糟糕。那個基礎是我現在能有效利用 AI 的原因。沒有它，你就無法判斷模型何時出錯。你無法糾正你不理解的東西。
我看著我 10 年前寫的程式碼，對我當時的錯誤感到謙卑。但那種掙扎正是建立直覺的過程。我們學習基礎知識是有原因的。那個原因並沒有因為工具的進步而消失。