# 在AI智能体时代，工程师依然需要深度思考代码

- 来源：meng shao (@shao__meng)
- 发布时间：2026-05-25 08:45
- AIHOT 分数：66
- AIHOT 链接：https://aihot.virxact.com/items/cmpkhqj9q075osl01shkjmz04
- 原文链接：https://x.com/shao__meng/status/2058711054994333779

## AI 摘要

本文反驳了“有了AI智能体，工程师无需深度思考代码”的观点。核心论点是：AI不会降低对“理解系统”的要求，反而会提升工程师的核心价值。这主要源于责任不可转移——生产环境事故需由工程师负责，AI无法承担决策后果。AI被定位为加速日志分析等环节的加速器，但最终决策仍需由人做出。由此推导的行业趋势是：工程师应更注重系统的可理解性与可控性，如减少依赖、偏好简单系统，并将时间投入系统设计与维护。最终，行业稀缺资源正从“写代码速度”转向“对系统理解的深度”，计算机基础与判断力将更加重要。

## 正文

有了 AI Agent，工程师不需要花太多时间思考代码了吗？

当然不是！！！
@leerob 认为：AI 不会降低对"理解系统"的要求，反而会提高。工程师的核心价值从"会写"转向"会判断"，而判断力来自对系统和基础原理的深入理解。

# Lee 列举了几个证明在 AI Agent 时代，工程师依然不能被取代的原因。

1. 责任的不可转移性
代码上了生产环境，on-call 的是人，不是 AI。一旦出事故，需要在凌晨三点理解系统、定位问题、做出判断的，仍然是工程师。如果你不理解自己负责的系统，调试时会非常痛苦--这是一个无法绕开的物理约束。

2. AI 的合理定位：加速器，而非决策者
Lee 并不反 AI。他承认 AI 能：
· 让 agent 去 triage 生产日志
· 自动检查错误
· 加速调查过程中的机械环节
但最终的判断（the call）必须由工程师做出--因为一个改动可能牵涉客户损失或财务后果，这种责任 AI 承担不了。

3. 由此推导出的行业趋势
Lee 预测（其实已经在发生）四个方向：
· 裁剪依赖 - 少引入第三方包
· Vendoring 代码 - 把依赖代码直接拷进自己仓库，方便修改和掌控
· 偏好简单系统 - 减少抽象层
· 把时间投入系统设计和代码维护 - 而不是疯狂产出新代码
这四点的共同主线是：追求"可理解性"和"可控性"。AI 让写代码变便宜了，所以瓶颈转移到了"理解和维护"上。

4. 反直觉的建议：回归 CS 基础
正因为生成代码的成本趋近于零，判断力和第一性原理反而成为稀缺资源。算法、操作系统、网络、分布式系统这些"老东西"--以及软件工程历史上沉淀下来的优秀范式--会比以前更值钱，而不是更便宜。

# 深层逻辑上过去和现在的变化

稀缺资源：写代码的速度 -> 理解系统的深度
工程师价值：产出代码量 -> 做正确决策的能力
风险所在：写得不够快 -> 写了一堆看不懂的代码
技术选型偏好：大而全的框架 -> 小而可控的代码

### 引用推文

> Lee Robinson：You might believe you should spend less time thinking about code because of AI. I strongly disagree! We're watching this play out live where tons of AI generate...