自 copilot 起 AI coding 速度远超人类 coding，人类负责复杂任务。

自 Claude 3.7 Sonnet 起 AI coding 完成明确需求任务准确率远超多数人类，人类负责 review。

在 Astra/Fable 时代，人力 review 速度远跟不上 AI 产出速度，AI code AI review 成为常态，人类。。。

N 个月后，xxx 模型出世，端到端项目开发测试通过率超过 99%，软件行业进入历史？

算是吧。原来的软件编码工程死了，新的软件交付工程诞生了。

短期来看，AI 能做到很多，但远不是全部。

日常 vibe coding 能体会到，AI 确实比强了很多，完整需求 prompt + 一轮对话就可以得到近乎 demo 状态，再修修补补基本功能完善，而距离上线，还远远不够，因为：

1. 软件能正常运行，不代表软件是正确的。 测试场景和测试用例永远无法穷举。AI 即便没有完全理解需求，也可能开发出一套看似正常运行、测试全部通过的软件。那些没有被正确理解的意图，可能直到生产环境遇到特定场景才会暴露。
2. 幻觉。 LLM 存在幻觉问题，本质是插值引擎，会虚构不存在的东西。
3. AI 不会拥有全部的上下文，有些特定的坑 AI 不会躲。

AI Coding 的准确率越来越高，但最后几个百分点的错误，可能恰恰是代价最大的。所以对错了代价很大的地方，值得人工看一遍。

长期来看，即便超级 coding model + harness 出现，软件工程也不会消失，而是将核心从编写代码转向定义正确性、验证正确性。

很多时候，用户自己也说不清真实意图，需要有人理解业务、拆解需求、定义边界、分发任务、验收结果。

AI 可以一秒生成一万行代码，但在这一万行代码跑到生产服务器之前，需要有人站出来说：这是对的，可以上线。

这个人不一定需要逐行阅读代码，但必须有能力判断结果是否正确，并在出问题时知道如何定位和解决。

所以，我们应该：