Lee Robinson 戳破了 AI 编程的幻觉——代码变便宜了，但理解和维护成了新瓶颈。做后端或系统设计的工程师，看完会重新审视自己的技术栈选择。
Lee Robinson 认为，AI 不会降低对工程师理解系统的要求，反而会提高。工程师的核心价值从“会写代码”转向“会做判断”，而判断力来自对系统和基础原理的深入理解。他列举了 AI 时代工程师不可被取代的原因：责任的不可转移性（on-call 的是人）、AI 是加速器而非决策者、行业趋势转向裁剪依赖和偏好简单系统、回归 CS 基础。最终，理解系统的深度成为稀缺资源，工程师的价值在于做正确决策的能力。
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...
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 Lee Robinson @leerob 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 generated code becomes a liability. At the end of the day, an engineer needs to be responsible / on call for code that gets shipped to production. If you don’t understand the system you’re trying to debug, you’re probably going to have a bad time. Yes, AI can help with all of this, if you set up the proper systems. You can have agents triage prod logs, look at errors, etc. You can speed up parts of the investigation, but an engineer needs to make the call. There might be serious customer or financial implications from that change. I expect the trend continue for trimming dependencies, vendoring code so you can modify it directly, preferring simpler systems with fewer abstractions, and spending waaaay more time thinking about system design and code maintenance. I’ve said this before, but it’s a great time to get familiar with CS fundamentals and some of the history behind what great software looks like. Many parts will be different in the coming years as AI progresses, but also a lot more than people realize will stay the same. 🔗 View Quoted Tweet 💬 0 🔄 1 ❤️ 3 👀 564 📊 2 ⚡