我最近和一位朋友闲聊近况，本来只是随意寒暄，结果话题一路延伸到 AI 辅助编程，以及它如何重塑我们的工作流程、团队协作，乃至对「手艺」的认知——从把旧代码库彻底重写，到自动化测试覆盖如何改变编程本质，几乎所有相关话题都聊到了。

我把聊天记录从 granola 导出，丢给 o1-pro，让它生成这篇博客。不算太糟，基本符合我的看法。

我把草稿发给几位朋友，他们又想转发给更多朋友。这意味着——我得正式发布了。那就上吧！

友情提醒：如果你收到一封行文完美、毫无个人口癖的邮件——大概率是 AI 写的，lol。

15 分钟搞定瀑布模型，包您满意，不满意全额退款！

新常态：「代码质量真的还重要吗？」

多年来，我们一直把写代码当作一门手艺——先进入宝贵的心流状态（flow state），雕琢逻辑，再带着精心打磨的补丁凯旋。然而，一个新范式正悄然到来：代码生成工具（大型语言模型 Large Language Model，LLM） 能在几分钟内产出功能。

有些人被这种速度震撼，也担心它会颠覆过去对「整洁代码」的标准。编写健壮的测试套件，甚至测试驱动开发（TDD），忽然变成了让 AI 自证，而不再是我们逐行推敲。

代码质量会直线下滑吗？也许。但与此同时，一股“超防御式编码”（hyper-defensive coding）的风潮正在兴起：静态分析、形式化验证，以及无处不在的测试覆盖…… 这样一来，一旦某个智能代理（agent）把东西弄坏，我们就能立刻捕捉。我们对顶级 CI/CD 流程和严格检查的需求，从未像现在这样迫切。

15 分钟瀑布循环

曾经，「瀑布模型」与「敏捷」被视为天壤之别，仿佛敏捷才是唯一正解。讽刺的是，代码生成正把我们推向「微型瀑布循环」：为了让 AI 看得懂，我们得先写一份极其清晰的需求规格；然后按下「生成」键；接着等待代码冒出来并集中评审。表面看似迭代，实则是一轮规划、一轮执行、一轮复查——「15 分钟瀑布」。

真正的魔力是，你可以同时启动多个代理：一个写功能，一个补文档，第三个跑测试覆盖。这已经不是传统线性的瀑布，而是打了激素的并发，简直像开外挂一样。

团队文化即将转向

如果你带领工程团队，往往会听到高层问：「能不能用 AI 提升生产力？」与此同时，你也能察觉团队对这些工具的热情参差不齐：有人全情投入，凭提示就能产出完整功能；也有人坚守那份匠人身份。

我认为行之有效的做法是：

1. 小规模试点
   选个内部项目，或是风险较低的辅助工具，让几位好奇的工程师纵情尝试 AI 编码。让他们犯错，看看过度信任模型会带来什么后果，再观察他们如何用最佳实践挽回局面。

2. 轮流上阵
   有了专门的 “AI 编码” 支线项目，就能让团队成员轮流参与——在这种新环境里待上一两周，相互学习，然后把经验带回主代码库。

3. 把文档做到极致
   代理往往需要极其清晰的规格。生成代码很便宜，引导 LLM 往正确方向却需要精心策划。想让全队受益，就把你写过的最棒的规格和架构文档放进共享仓库。等成员轮换时，你会感谢当初的自己。

心流可能被高估了

一个意外发现：许多人爱写代码，是因为迷恋心流状态。但 AI 编码并不总能营造同样的沉浸。你也许先花一小时写提示，让 AI 在后台构建，然后偶尔回来审批或微调。

有人觉得这种节奏割裂；对另一些人——尤其是要带娃或同时处理多重任务的人——反而让人感到轻松。当你可以随时切换上下文（审查 AI 输出，去忙别的，再回来收下代码片段），你会发现，高效工作未必依赖长时间的安静时段。

这是不是意味着「程序员已到顶峰」？

有声音说，一旦 AI 能生成代码，我们就到了「程序员峰值」——很快就不需要那么多工程师了。若只是写直白的功能或对接 API，这话或许有几分道理。但新的复杂性也随之而来：安全、合规、测试覆盖、架构设计……

真正的区别在于：「战略型工程师」将会脱颖而出——他们能编排多种 AI 工具，监控代码质量，设计可扩展系统。这类人身兼产品经理、架构师、QA 与开发者：撰写提示、定义测试、维护质量，并处理 LLM 预料不到的边缘情况。

前线心得 Pro Tips

以下是我亲身踩坑得来的教训：

1. 先手动，再交给 AI
   开发 iOS 应用时，先用 Xcode 初始化项目，免得自动生成的文件把 AI 搞糊涂；然后再让它补齐剩余部分。

2. 简短、清晰的提示有时胜过长篇大论
   神奇的是，对 LLM 说一句 “make code better” 的效果，有时不输一大段详尽指令。多试试——不同模型对约束程度的偏好各不相同。

3. 采用 “检查点” 式工作流
   频繁提交，即便只是 git commit -m "It passed the tests, I guess!" 也行。AI 修得快，毁得也快；多留回滚点才能安心。

4. 别让 AI 对基础逻辑过度测试
   AI 特别喜欢把一切都拿来测，连 for 循环会不会循环都不放过。保持警惕，删掉无意义的测试，让流程保持精简。

5. 文档，文档，还是文档
   让 AI 生成厚厚的「实现指南」。这些文档不仅帮你，也能在后续迭代中帮 AI 更快上手。

总结

我们的行业正以前所未有的速度演变。那些看似铁律的假设——比如心流至上，或为手工打磨的功能大肆庆祝——很快都会显得老派。但这并不意味着创造力消失；重点转向策略性编排：知道该造什么、该怎么描述，以及如何避免最后烂成一地垃圾。

最终，决定产品胜负的不是谁写了更多代码，而是谁设计出了更打动人的体验。毕竟，一个周末就能生成 10 个 Instagram 克隆，胜负手不在代码多优雅，而在谁更能引起共鸣——这是设计与产品的问题，而不只是工程问题。

欢迎来到新版瀑布——15 分钟一轮，AI 充当无限的实习生，代码流程提速到极致。这既古怪又精彩，偶尔还挺吓人。但大概率我们都得学会这支舞。

多么荒诞的世界。我想事情只会越来越怪。继续深挖吧。