AI Coding：软件工程的范式转移
从补全到智能体编程，代码的生成成本正在归零，而验证与设计的成本相对上升。梳理这场范式转移里真正会变的与不会变的。
三个阶段：从打字员到同事
AI 辅助编程大致走过三个阶段。补全阶段：模型预测下一行代码，本质是高级打字加速器，人逐行审阅。对话阶段：给出上下文让模型生成整个函数或文件，人从「写」变成「改」。智能体编程（Agentic Coding）阶段：给定目标与工具（读写文件、执行命令、跑测试），模型自主完成「定位—修改—验证」的完整闭环，人从「改」变成「验收」。
三个阶段的分水岭是谁的上下文：补全阶段模型只有当前文件，对话阶段有对话窗口，智能体阶段则自己去仓库里找齐上下文。这也意味着风险同步升级——模型有权限执行和修改，错误的破坏半径从「一段废码」扩大到「一次误操作」。
什么变贵了：验证与设计
代码生成成本趋近于零后，成本结构发生反转。过去写代码贵、验证相对省；现在生成便宜、验证成了新瓶颈——AI 一分钟能写出的代码，人可能要一小时才能确认它对不对。据此，工程实践的重心在迁移：
测试即护栏。 测试不再只是质量保障，而是 AI 的行为边界：测试集写得越清楚，智能体编程的成果越可验收。没有测试的代码库，AI 的产出无法被信任，收益直接打折。
规格驱动（Spec-Driven）。 给模型「做什么、不做什么、怎么算对」的清晰规格，比给它一段模糊需求加一句「尽力做好」的产出质量高得多。写规格的能力——把业务意图翻译成可验证的约束——正在从辅助技能变成核心技能。
上下文工程。 决定产出质量上限的常常不是模型，而是喂给它的上下文质量：架构约定、领域知识、代码规范、历史决策。聪明的团队把这些沉淀成可复用的规范文件与技能模块（这正是 Skills 的用武之地，参见《Skills：把程序性知识交给 AI》），让每次生成都站在组织知识之上，而不是从零开始。
什么不变：判断力
也要说清楚不会变的部分。架构决策、技术选型的权衡、对业务约束的理解、「这个需求该不该做」的判断——这些依然由人承担，而且因为生成不再稀缺，它们变得更值钱。模型可以生成十个方案，但评估十个方案、为取舍负责的仍是工程师。
安全与责任同样无法外包：AI 生成的代码里的许可证污染、依赖投毒、隐蔽漏洞 [待核实：发生率为 open 数据，暂不引用具体数字]，最终责任都在合并代码的人。代码审查不是被 AI 取代的环节，而是被 AI 加重的环节。
观点：淘汰的不是工程师，是「翻译式」的工作方式
本篇观点：AI Coding 不会淘汰工程师，但会淘汰「把明确规格翻译成代码」这一层工作方式——而这层恰恰是过去许多人自认为的核心价值。范式转移后工程师的杠杆点变为三处：定义问题的能力（把模糊需求变成可验证规格）、设计验证体系的能力（让 AI 的产出可被客观裁判）、以及系统级判断力（在十个能跑的方案里选对那个能活的）。团队管理上也随之变化：衡量产出不该再数代码行——生成的代码行数与价值的相关性正在归零，该数的是「验证过的、被真实使用的交付物」。
小结
- 三阶段演进：补全 → 对话 → 智能体编程；分水岭在谁的上下文、谁有执行权限。
- 成本反转：生成趋零，验证与设计变贵；测试、规格、上下文工程是新重心。
- 判断力、架构权衡、安全责任仍归人，且更值钱。
- 淘汰的是翻译式编码，不是工程师；度量应从代码行转向已验证的交付物。