AI技术

为什么很多码农反 AI：不是反技术，而是在捍卫软件工程的责任边界

, , , , , ,

摘要：Hacker News 上关于“为什么社区反 AI”的讨论，并不是程序员守旧那么简单。它背后是代码生成速度、工程质量、责任归属、职业身份和平台权力重新分配之间的冲突。真正值得关注的不是反不反 AI，而是程序员如何在 AI 时代守住可验证、可维护、可负责的软件工程边界。

为什么很多码农反 AI

Hacker News 最近一条 Ask HN 讨论很有代表性：一位用户问，为什么 HN 社区看起来这么反 AI？他的核心观点是，代码只是达成目的的手段，用户并不关心代码是人写的还是 AI 写的，只关心产品是否可用。如果 AI 辅助开发能让一个产品更快上线、更快拿到反馈、更快迭代，那么传统程序员对“手写代码”和“代码优雅”的坚持，是否已经变成了一种职业惯性？（Hacker News）

这条讨论迅速积累了 600 多条评论。最有意思的是，HN 版主 dang 没有把它归结为“社区反 AI”，而是指出社区本来就是分裂的：支持 AI 的人觉得 HN 反 AI，反 AI 的人又觉得 HN 被 AI 派占领。这个判断很重要。码农对 AI 的反感，并不只是技术判断，也不只是饭碗焦虑，而是工程质量、职业身份、组织责任、平台权力和经济预期叠在一起后的复杂反应。

第一层原因，是工程师确实看到了 AI 写代码的边界。当前 AI 编程助手很擅长“局部任务”：写样板代码、补测试、解释陌生 API、做小范围重构、快速搭原型。但它在大系统里容易出问题。成熟代码库里的难点往往不是“写出一段能跑的代码”，而是理解历史约束、隐含业务规则、边界条件、性能退化、权限模型、兼容性和长期演进方向。HN 评论里多次出现一个共识：AI 在小范围内很强，但如果让它持续堆叠设计决策，项目很快会变成难以维护的代码泥潭。

这不是偏见。Stack Overflow 2025 开发者调查显示，开发者对 AI 工具准确性的主动不信任比例高于信任比例，经验丰富的开发者尤其谨慎。（Stack Overflow）METR 2025 的实验也给了一个反直觉结果：在熟悉的大型开源项目中，资深开发者使用当时的 AI 工具完成任务反而更慢，但他们主观上以为自己更快。（METR）这说明 AI 的问题不只是“能不能生成代码”，还包括审查成本、返工成本、上下文补齐成本和错误定位成本。

第二层原因，是程序员知道代码不是文本，而是未来责任。外行看代码，容易把它理解成“实现功能的文字”；工程师看代码，则会把它看成未来几年持续修改、排错、审计、扩展和交接的资产。AI 可以很快生成 5000 行代码，但谁来保证这 5000 行没有安全洞、没有重复逻辑、没有隐藏状态、没有破坏架构边界？DORA 2025 报告提醒，AI 可能让代码变更批量变大，而大批量变更天然更难审查、更慢交付、更容易影响稳定性。（DORA）程序员反感的不是 AI 帮忙写代码，而是有人把“生成速度”误当成“工程效率”。

AI 编程流程中的速度、质量与责任权衡

第三层原因，是责任被稀释。过去外包代码、低质量复制粘贴、没人读的 PR，本来就是软件组织里的老问题。AI 让这些问题规模化了。一个人可以让 agent 连续产出大量改动，然后把审查压力丢给团队；出了问题时，又说“AI 写错了”。这会让工程师产生强烈抵触，因为他们知道最后背锅的不是模型，而是线上系统、值班同事、客户数据和公司的技术债。

第四层原因，是职业身份被击中了。很多程序员花了多年训练抽象能力、调试能力、代码品味和系统设计能力。现在突然有人说“会提示词的人也能写应用”“代码不重要，跑起来就行”，这当然会引发防御心理。这里面有一部分是饭碗焦虑，但不能简单嘲笑。软件开发过去十几年一直在“颠覆别人”，现在自动化开始逼近程序员自己的核心技能，行业第一次真实感受到技术替代的寒意。

第五层原因，是对平台权力和供应商锁定的担忧。HN 评论里有一种尖锐看法：AI 工具正在把软件生产链推向少数闭源云端模型。这个判断有情绪成分，但背后问题是真实的：如果未来写代码、查知识、生成架构方案都依赖少数供应商，那么企业代码是否会泄露？模型是否会突然涨价、限流、断供？生成内容的版权和合规责任由谁承担？国内开发者还要额外考虑跨境服务可用性、数据安全审计和国产化替代。

第六层原因，是很多人厌倦了 AI 叙事本身。过去一年，技术社区里几乎所有东西都被包装成 AI。很多粗糙 demo、低质量文章、半成品产品都借 AI 之名刷屏。程序员本能上讨厌营销大于工程的东西，所以“反 AI”有时其实是“反 AI 泡沫”“反 AI slop”“反老板拿 AI 当裁员借口”。

但反过来说，完全拒绝 AI 也不是出路。GitHub Copilot 早期实验曾显示，在边界清晰的小任务中，AI 能显著提升完成速度。GitHub Octoverse 2025 也显示，AI、coding agents、本地推理和相关开源项目正在成为开发生态增长的重要方向。（GitHub）更现实的判断是：AI 不会立刻消灭优秀工程师，但会快速淘汰只会按需求写 CRUD、缺少系统理解、不会验证结果、不会和业务沟通的程序员。

对国内码农来说，转型重点不是从“写代码”变成“写提示词”，而是从“代码劳动力”变成“AI 放大后的工程负责人”。具体说，有五个方向值得押注。

第一，补系统能力。AI 会让简单编码继续贬值，但系统设计、架构边界、数据一致性、性能、可观测性、安全、测试策略和成本控制会升值。未来能拿高薪的人，不是最会让 AI 写函数的人，而是能判断哪些代码该生成、哪些代码不能生成、生成后怎么验证的人。

第二，转向业务和行业。国内大量开发岗位集中在小程序、企业系统、政企项目、制造、能源、金融、医疗、供应链等场景。JetBrains 中国开发者洞察提到，中国开发者在小程序、低代码/无代码和本土工具生态上有明显特点。（JetBrains）AI 会降低通用软件开发门槛，但不会自动理解行业流程、组织规则、数据口径和合规边界。懂行业的程序员，会比只懂框架的程序员更抗替代。

第三，学会做 AI 工程，而不是只会调用聊天框。包括 RAG、工具调用、MCP、Agent workflow、代码沙箱、权限控制、审计日志、评测体系、提示词版本管理、模型路由、本地模型部署、数据治理。这些能力会把程序员从“被 AI 替代的人”变成“把 AI 接进业务系统的人”。

第四，把测试、审查和安全当成核心竞争力。AI 时代代码会更多，低质量代码也会更多。会写测试、做 CI/CD、做 fuzz testing、做 SBOM、做威胁建模、做代码审计的人，反而更重要。Thoughtworks 技术雷达也提醒，对 AI 生成代码的自满、AI 加速影子 IT、本地编码助手能力不足，都是企业需要警惕的风险。（Thoughtworks）

第五，调整作品集。以前程序员展示的是“我会什么语言、什么框架”；以后更应该展示“我如何用 AI 把一个真实问题做成可运行、可维护、可验证、可部署的系统”。国内码农可以从三个小方向切入：做企业内部工具自动化，做行业数据助手，做现有业务系统的 AI 增强。不要只做聊天机器人，要做能接数据库、接权限、接流程、接审计、能落地的应用。

所以，码农反 AI 的根源并不单纯是保守。更准确地说，他们反对的是一种粗暴叙事：仿佛软件工程只剩下生成代码，仿佛跑起来就是成功，仿佛速度可以替代责任。真正成熟的态度应该是：承认 AI 会重构软件开发，也承认工程基本功没有过时。未来有价值的程序员，不是拒绝 AI 的人，也不是盲信 AI 的人，而是能把 AI 关进工程流程、质量体系和业务目标里的人。

参考资料：

分享到