在 AI 出现之前，改变并不多。
如今，一位优秀的工程师加上 AI，越来越像一位赛博格工程师：依然拥有人类的判断力、经验和责任感，但被工具所增强——这些工具能以前所未有的速度编写代码、分析系统、检索文档、审查配置并测试想法。
AI 让工程师拥有了更大的能力。
于是，一些公司自然会这样想：
"太好了。也许我们可以不要工程师了。"
那用什么来替代工程师呢？一个AI agent？一堆agent？最终是一台机器人？
我认为这条路走不通。
工程师理解系统为什么存在、什么会出错、业务真正需要什么，以及——关键的是——AI 在什么时候自信地胡言乱语。最后一点并不是假设，而是与大型语言模型打交道的日常现实。如果没有一个人类能够识别那些听起来像模像样的幻觉，系统终将把其中一条送进生产环境。
AI 并不会消除工程责任。它只是让一名有能力的工程师生产力大幅提升。
具体来说，这意味着：
- 设计仍然由工程师负责。
- 爆炸半径仍然由工程师负责。
- 当模型出错时，做决定的人仍然是工程师。
真正改变的是注意力的单位经济学。那些过去会吞噬半个冲刺周期的样板代码、资料查找和初稿工作，现在可以被卸载出去。剩下的人类时间则被投入到只有人类才能完成的部分：框定问题、权衡取舍，并判断对于这个代码库、这个团队、这个客户来说，“正确”究竟意味着什么。
这场讨论中还有一个没有得到足够关注的方面：成本。
现在，AI 感觉上极其便宜。订阅、补贴计划、打包 tokens、供应商之间激烈的竞争。“人人可用的 AI”这个标价，与一位资深工程师的薪水相比，简直像是零头。
但看看背后的实际用量。如果你跑的是严肃的智能体工作流，并通过 Langfuse 这样的可观测性工具追踪等价的 API 消耗，每天看到几百美元的模型用量并不困难。我个人就亲眼看到，当一个 agent 真正在工作时，消耗会跑到 每天 300 到 400 美元 的区间——它要读取代码仓库、调用工具、针对失败进行迭代、反复重读上下文。
这并非笔误。这是一位工程师加一个 AI，每月产生四位数美元的 token 支出。
到某个时刻，总得有人为这笔账单买单。如果“谁来付钱？”的答案是“模型供应商的投资人”，那么用来证明替换资深工程师合算的那笔账，就是建立在一个不会持续的价格之上的。
在我看来，赢家的模式比舆论所暗示的要简单得多：
- 优秀工程师 + AI > 优秀工程师独自工作。
- 但是：AI ≠ 工程师。
用 AI 来打造赛博格工程师。那些直觉、经验和责任感都被工具增强的工程师——这些工具让他们比任何单一个人类都行动得更快。能够比去年每小时交付更多、看见更多、学习更多的工程师。
不要把 AI 当成裁掉那些理解自己正在构建什么的人的理由。短期的节省看起来很真实。但长期的代价——以宕机、安全事件和无人信任的软件来衡量——终将有人来承担。通常不会是当初批准用 AI 替代人的那位高管。
赛博格和工程师的共同之处，比组织架构图所暗示的要多。它们都是这样的系统：不可替代的部分既不是金属，也不是模型，而是操作者的判断力。围绕这一点来构建。围绕这一点来招聘。围绕这一点来增强。
工程的未来并不是更少的工程师配上更多的 agent。而是更好的工程师配上更好的工具。
#AI #Engineering #SoftwareEngineering #DevOps #SRE #ArtificialIntelligence #AIAgents #FutureOfWork #Technology #SoftwareDevelopment