跳转至

Code is cheap. Don't write any.——AI Native，程序员如何提升五倍coding效率

Ch09.093 Code is cheap. Don't write any.——AI Native，程序员如何提升五倍coding效率

📊 Level ⭐⭐ | 8.9KB | entities/code-is-cheap-ai-native-five-times-efficiency-2026.md

Code is cheap. Don't write any.——AI Native，程序员如何提升五倍coding效率

本文深度探讨 AI Native 编程范式下程序员效率提升的五个维度。不同于传统的 AI 辅助编程文章，本文从"少写代码"的逆向思维出发，重新定义了 AI 时代程序员的角色和核心竞争力。

核心理念：Code is cheap，Don't write any

文章提出一个反直觉的核心观点：在 AI 时代，最好的代码是不需要写的代码。程序员的核心价值从"编写代码"转向"理解问题、设计系统、定义标准"。最近 20 天，作者使用 AI 提交了 70 万行代码、推进 10 个项目同时并行——不是 IDE 补全那种局部辅助，而是将完整任务整包交给 AI 自主完成（读地形、定方案、写实现、跑验证、修 bug）。

五个效率提升维度

1. 代码生成自动化的极限

AI 代码生成已经从片段补全进化到模块级生成。关键不是写更多的提示词，而是用最少的描述让 AI 理解完整的业务上下文。

2. 从编码到设计的角色转型

程序员的时间分配从 80% 编码 + 20% 设计转向 20% 编码审核 + 80% 系统设计与整合。

3. AI 原生工具的深度整合

将 AI 嵌入开发流程的每一个环节——需求分析、架构决策、代码审查、测试生成、运维监控。

4. 质量与效率的再平衡

AI 生成的代码需要更强的质量保障体系——测试覆盖、安全审计、性能验证等新型质量防线。

5. 组织与文化的变革

团队协作模式从"并行开发"转向"异步审核"，从"人写机查"转向"机写人查"。

深度分析

大模型的两个底层事实如何决定 Harness 方法论

文章提出的核心洞见在于识别了大模型的两个本体论事实：概率生成器和上下文宝贵。概率生成器意味着模型每一步的输出是"按概率挑一个"而非"想清楚再说"，每一步小偏差沿链路累积，自由空间越大跑偏概率越大。上下文宝贵意味着长上下文中段记忆呈 U 型衰减（Lost in the Middle），多轮对话叠加 recency bias 和方案共存，旧的正确决策被无声稀释。这两个事实直接决定了 Harness 方法论的两种核心姿态：反 slop（实施前反复讨论需求以压缩搜索空间）和最小混沌单元（每次交给模型的任务小到可检查、大到可自治）。

水流理论：从"挖水渠"到"修堤坝"的协作范式转换

水流理论是本文最具原创性的方法论贡献。传统软件工程像"挖水渠"——先设计清楚路径再让代码按路径执行。但在大模型场景下，把每一步规定死反而封住了模型最有价值的探索能力。水流理论把控制点从代码细节上移到三件事：边界（堤坝）、checkpoint（水闸）、安全通道。模型像水一样顺着上下文地形自然流动，人用堤坝限制"哪里不能淹"，用水闸在关键节点调节流向和水量，用安全通道确保出问题时能兜住。关键判断在于区分"漫溢"（模型在边界内自由探索）和"溃堤"（模型违反 spec、扩大 scope、连续验证失败）。这种将控制点上移的思维，是从"代码审美"到"工程纪律"的根本转变。

反 slop 与"揉搓"：实施前最关键的一步

"best-practice slop"是本文提出的一个重要概念——AI 在过大目标空间里把网上最常见的套路糊上的"看似专业但实际不解决问题"的平均产物。它最危险的地方在于读起来像方案、跑起来像进度，却离真实目标越来越远。反 slop 的核心动作是"揉搓"：描述需求 → 模型复述 → 人纠正 → 查证 → 收边界 → 沉淀为 spec。这一阶段不写一行代码，但已经把模型从"凭概率在巨大空间里乱选路"挪到了"在清晰目标和边界内自主推进"。文中 0→1 项目起手的揉搓过程（模型默认 room 常驻→人纠正为按需 wake、模型默认固定角色→人纠正为动态参与者、模型没考虑收敛信号→人添加 artifact 产出信号）清晰展示了这一步的具体形态。

多层 Safety Net：代码廉价化时代的工程底线

文章最深刻的洞见之一在于处理"代码廉价了，但后果没有廉价"的矛盾。作者提出了 5 层验收体系：自验（模型写验收报告，含 7 个维度）→ 自测（模型跑接口级测试）→ 他测（另一个 agent 做 review + 测试同学端到端回归）→ 自动化回归 + 巡检（CI/CD 兜底）→ 灰度 + 金丝雀 + 一键回滚（线上兜底）。每层 catch 不同类型的问题：自验 catch 模型愿意承认的问题，他测 catch 自己看不到的盲点，CI/CD catch 隐式 contract 破坏，灰度 catch 没覆盖到的线上场景。这种层层叠加的设计，本质上是将工程纪律从"源码级审美"整体迁移到了"结果、证据、风险控制"的体系。

工程师价值结构的系统性迁移

从"写代码的人"到"切任务包 + 做 checkpoint + 看证据的人"——这是作者描述的工程师身份转变。关键的变化在于四条迁移路径：一线工程师从写代码迁移到做 delegation；TL 从评审 PR 迁移到设 spec + 读 review agent 报告；架构师从设计模式迁移到设计协作姿态与控制面；QA 从写测试用例迁移到设计测试策略、抓 AI 想不到的 corner case。这条迁移路径上真正的稀缺资源不再是"谁代码写得好"，而是"谁能让大模型在正确边界里大胆流动，并且把端到端结果安全收回来的人"。这种身份迁移对应着工程师职业内核的重新定义——从个人产出到系统性产出的转型。

实践启示

  1. "少写代码"是新的效率杠杆：AI 时代程序员效率的核心指标不是"每小时写多少行代码"，而是"每小时让 AI 帮你完成多少个完整任务包"。从"自己写"到"让别人（AI）写"的思维转变，是效率提升量级的关键。

  2. Checkpoint 是控盘的核心操作位：作者的真实数据表明，checkpoint 上最高频的动作不是"放行"（仅 ~9%），而是"加料"（~47%）和"追问"（~25%）。这意味着有效的 AI 编程不是"下达指令后等待结果"，而是一种频繁的"观察-补充-调整"的连续交互过程。

  3. 不要低估上下文腐烂的破坏力：自动总结只能延缓腐烂不能解决它。每次总结都是有损压缩，几轮后核心已走样。作者在实践中验证了"定期重启（new-chat）"是唯一有效的解毒剂——用 spec 作为外部真相源，喂给一个全新的 chat，把累积噪音全部留在原地。

  4. AI 写代码时代，测试角色不是消失是上移：测试同学不再写单测（由 AI + CI/CD 自动化完成），但测试策略设计、边界场景探索、端到端回归——这些依赖业务直觉和系统性思维的工作变得更重要。在所有都被 AI 写的世界里，测试人员的人工回归是工程化的最后人为底线。

  5. 代码廉价化不等于工程廉价化：代码可以像卫生纸一样用过就扔，但生产事故不是卫生纸，用户信任不是卫生纸。真正的工程纪律从"怎么写好代码"迁移到了"怎么设定好边界 + 怎么验证好证据 + 怎么控制好灰度"。没有多层 safety net 的 AI 编程只是用更快的速度制造更多的技术债。

→ 原文存档

关联