一篇 400 分热文捅破的窗户纸
9 月 26 日，拥有硬件与系统工程双学位的资深工程师 Alex Ewerlöf 发表了《Coding is not solved》，三天内在 Hacker News 拿到 400 分。它的走红时机耐人寻味：过去一年，「编程已被解决」的论调从推特名言升级成了行业共识的候选——DHH 说编程已解决，各路博客宣称工程师的核心竞争力只剩 taste，招聘描述里开始出现「AI 时代指挥官」这样的头衔。Ewerlöf 的反驳之所以值得认真对待，恰恰因为他不是那个容易被想象成的「恐慌的老工程师」：他是 LLM 编码工具的早期采用者，自己动手搭过 harness，教过 AI 辅助开发的课程。他的论点不是拒绝工具，而是拒绝一个危险的推论——创建代码的成本趋近于零，等于软件工程的成本趋近于零。
代码创建从来不是软件工程的大头
文章的骨架是一个行业老常识的新表述：软件工程的大部分成本从来不在写代码那一刻，而在非功能性需求——维护、可靠性、安全性、可扩展性。这些工作没有「一次生成」的爽感，却有持续数十年的责任。AI 恰好在这部分最弱：它可以快速生成一个通过演示的功能，但无法为三年后的内存泄漏负责。
更微妙的是，即使在功能性需求内部，问题也没解决。Ewerlöf 引用了一个经典观察：不读输出的人反而对输出更有信心——达克效应在 AI 时代有了新的宿主。他划出的分界线是风险容忍度：个人工具、概念验证、以及「武装化 AI」产品这三类东西可以不严格审查代码，因为出错代价低；而医疗、金融、汽车、航空、电力这些行业雇佣工程师的理由，恰恰是错误会带来金钱损失、人命或法律后果，因此需要问责链条。工具的效率红利与行业的责任要求，是两个正交的维度。
问责：AI 无法承受后果
全文最锋利的一段话值得完整转述：「AI 无法承受后果。最坏的情况只是拔掉电源。它不会死、不会坐牢、不会被罚款，因此永远无法被问责。你无法为你不能控制的东西负责。」这不是哲学姿态，而是组织设计的硬约束：问责要求责任主体在事情出错时有可失去的东西。工程师的职业责任之所以有效，是因为吊销执照、解雇、诉讼这些后果真实存在。
配套的是他对确定性的分析。编程在本质上是逻辑活动，编译器不在乎作者自认为多正确；而 LLM 的输出是随机性的，其成功依赖 harness 把语法与运行时错误喂回去的反馈循环，上下文窗口越大准确率越低。代码是确定性的，AI 是随机性的，人类犯错是持续地错、错得稳定可预测，模型则是「锯齿状智能」——所以作者持有的是「锯齿状信任」：对不同任务给予不同程度的信任，而非全有或全无。
证据：连 Anthropic 自己都没搞定自己的工具
文章列举的 Claude Code 反例之所以有力，是因为它们指向一个结构性事实：Anthropic 同时控制模型、harness、提示词和运行时（Bun），是世界上最不该出现「自己的工具咬自己」的公司，但公开 issue 里仍有运行时返回 Bun 帮助菜单、安装包自动删除自己、有套餐容量却被额外扣费并报假限流错误这类问题。作者用 Shopify 的案例收束：Tobi Lutke 一年前强制全员用 AI，如今创造了「slop grenades」一词形容那些看起来完整、内里埋雷的产出，并留下那句值得贴在每块团队看板上的话——你无法为你不理解的东西负责。
逐条拆解七个流行谬论
文章最实用的部分是对七大谬论的逐条反驳，这里选三条展开。其一，「可以提前写完整 spec」——任何有几年行业经验的人都知道需求在实现过程中必然演化，除非项目琐碎到不值得 AI 介入。其二，「英语是新的编程语言」——人类语言模糊且自相矛盾，这正是编程语言存在的原因；用更模糊的语言去定义更严格的行为，方向就是反的。其三，「杠杆转移到了 taste」——AI 同时降低了创建门槛、提高了可付费技能的门槛：当人人都能生成，能判断生成物好坏并为之负责的人反而更稀缺；何况 taste 人人都有，稀缺的从来是判断力与问责能力。还有一个数字令人难忘：让 agent 更新五个 npm 补丁版本的依赖，花了 12 分钟、72 步；人工不到 1 分钟。AI 是乘数，同时放大聪明与愚蠢。
与此前讨论的连线：架构知识的流失
把这篇文章放在最近的讨论脉络里看，它会更有意思。9 月 28 日另一篇 341 分的 HN 热文《The problem is not AI code, but not knowing about system architecture or intent》从另一个侧面指向同一个病灶：团队里懂架构的人离开后，AI 生成的代码没人能判断好坏，系统意图失传。两篇文章合起来构成一个完整的警告——AI 加速了代码的生成，也加速了理解力的流失，当 Knowledge 这根支柱被抽掉，Mandate 和 Accountability 随之空转。这也解释了为什么 SKILLS、AGENTS.md、MCP、self-healing harness 这些务实补救方案在 2026 年集体爆发：它们本质上都是在给流失的知识找新的载体。
行动建议：把风险容忍度当成架构决策
落到操作层，三条建议。第一，按风险容忍度给项目分级，把 AI 的效率红利集中在原型、内部工具、样板代码这些高容忍区，而对关键路径坚持人类评审与测试覆盖的纪律——Ewerlöf 的「Slow is fast」只对低容忍区成立，别把它读成全面保守主义。第二，重新设计团队的度量：别用 PR 数和代码行数衡量产出，用 SLI 和服务消费者满意度；厂商按 AI 输出成本收费却开人类价格的生意模式走不通，团队内部同理。第三，也是最容易被忽视的：把「理解你交付的东西」写成团队的硬要求，架构决策记录、意图文档、on-call 复盘，这些旧东西在 AI 时代反而成了新基础设施。Ewerlöf 预测部分工程师将转型为技术产品经理、AI 管理者、AI 部署工程师与 AI 质量工程师四类角色——转型的前提，是先承认 coding 没有被 solved，然后再决定往哪里走。