一个在开发者圈争论最多的话题
我刷 X 经常看到两种极端观点：
- “AI 很快就要替代所有程序员了” — 通常来自创业公司 CEO 或 AI 布道者
- “AI 根本写不了生产级代码，都是玩具” — 通常来自资深工程师
两种观点都是对现实的简化。真实情况要复杂得多。
作为一个在工作里每天用 AI 工具的后端工程师，我想把我一年多的实际使用结论写出来。既不鼓吹，也不贬低。
我到底在用 AI 做什么
日常高频使用：
- 写代码：Kiro（Claude）、Cursor、GitHub Copilot
- 写文档和文章：Claude、ChatGPT
- 做技术调研：Perplexity、Claude 的网页搜索
- 分析日志和数据：Claude（粘贴日志让它找规律）
- Code Review：让 AI 先过一遍，找明显问题
- 架构讨论：把方案甩给 AI 做”陪练”，让它挑毛病
工作流的变化：
一年前，我的典型开发流程是：
阅读需求 → 搜资料 → 设计 → 写代码 → 调试 → 写文档现在是：
阅读需求 → 甩给 AI 分析 → 讨论方案 → 让 AI 写初稿 →
我 review 和修改 → 让 AI 补测试和文档估算效率提升：个人大概提升了 40-60% 的产出。但质量的提升不止这些。
AI 擅长什么
真实使用下来，AI 最有价值的几个场景：
1. 把模糊的思路变成具体的代码
这是 AI 最大的能力。你有一个想法：“我想写一个脚本，监控 Solana 上的 token 余额变化，超过阈值推送 Telegram 通知”。
传统方式：你要搜索 Solana SDK 的文档、Telegram Bot API、怎么部署…
AI 方式：直接描述需求，AI 给你一个能跑的版本。你基于这个版本迭代。
关键：从”0 到 1”的启动成本被压到近乎零。
2. 处理你不熟悉的领域
我做交易系统，对前端不熟。以前要做个简单的管理后台，得先学 React。
现在直接和 AI 讨论需求，让它写 React 代码，我 review 逻辑。虽然我还是不会写 React，但我能做出 React 应用。
这不是”AI 替代了我学 React”，而是”AI 让我不需要先学 React 就能做东西”。
3. 大量机械劳动
- 把一个数据结构从 JSON 转成 TypeScript 类型
- 把一个函数的注释从英文翻译成中文
- 把几百条日志中的异常模式提取出来
- 把一个 SQL 写成 ORM 的链式调用
这类工作以前占我 20-30% 的时间，现在 5 分钟搞定。
4. 作为”有无限耐心的同事”
以前我遇到不懂的概念，要么问同事（打扰别人），要么自己查文档（慢）。
现在：
我：什么是 Solana 的 versioned transaction，它和 legacy transaction 的区别是什么？ AI：（给出详细解释） 我：为什么需要 versioned？ AI：（继续展开）
一个小时能学会以前一天学不完的东西。这个”无限陪练”的价值被严重低估了。
AI 做不好什么
同样重要：知道 AI 的边界。
1. 架构决策
“用 Go 还是 Rust 写这个服务？”、“用 Kafka 还是 Redis Streams？”
这些问题 AI 会给你一个”平均水平的建议”，但真正的决策需要考虑：
- 团队当前的技术栈和熟悉度
- 项目的生命周期和扩展方向
- 非功能需求的细节（延迟、吞吐量、运维能力）
AI 不知道这些上下文，它给的答案是”通用答案”。关键决策还得人来做。
2. 复杂系统的调试
生产环境的诡异 bug 往往涉及：
- 跨多个服务的调用链
- 时间相关的竞态
- 环境相关的配置
- 外部依赖的异常行为
AI 能帮你缩小问题范围，但真正定位需要你结合对系统的深度理解。调试能力还是人的核心价值。
3. 需要”品味”的事情
- 什么是好的变量命名
- 什么是合理的抽象层级
- 什么样的 API 是”符合直觉”的
- 什么时候该拆分模块，什么时候该保持内聚
AI 的”品味”来自训练数据的平均值。真正优秀的代码品味是资深工程师多年积累的判断力，AI 还做不到。
4. 创造性工作
AI 擅长在”现有模式”里变化，不擅长”创造新模式”。
做一个标准的 CRUD 服务？AI 快准狠。 做一个全新的交易撮合算法？AI 只能给你现有算法的组合。
改变了我的工作习惯
用了一年多 AI 工具，我的工作习惯发生了一些变化：
1. 写代码前先”口述”
以前直接开始写，现在先把需求口述给 AI：
“我要做 X，输入是 Y，输出是 Z，约束是 W。”
光是说清楚这个过程，就能让我发现 30% 的需求不清楚的地方。即使 AI 最后给的代码我没用，这个”强制澄清”的过程已经有价值了。
2. 更愿意写更多文档和测试
以前写代码后的补文档、补测试是苦差事，很容易偷懒。
现在：把代码给 AI，让它生成文档和测试。我只需要 review 和调整。文档和测试的覆盖率自然就提高了。
3. 更敢尝试新技术
以前学一个新框架要两三天。现在：
我：用 [新框架] 写一个简单的 hello world，然后解释每一行。 AI：（给完整版本 + 解释） 我：（跑一下） 我：再给我加一个 X 功能 …
一两个小时就能对新框架有基本的感觉。这让我更愿意尝试新东西。
4. Code Review 变成两步走
现在我的 Code Review：
- AI 先过一遍：把 PR 丢给 AI，让它找潜在问题
- 我再看 AI 的发现：筛选掉误报，关注真正的问题
这样节省了 70% 的”初筛”时间，我能把精力集中在架构和设计层面的审查。
给其他工程师的建议
尽快开始用
如果你还没开始用 AI 工具，现在就去订阅一个（Claude / ChatGPT / Cursor / Kiro 都行）。用一个月，你会明白我在说什么。
不要相信所有输出
AI 会自信地说错话（幻觉）。所有 AI 给的：
- 代码 → 自己跑一遍
- 事实 → 交叉验证
- 架构建议 → 加上自己的判断
调 prompt 比学新技能回报更高
同样的问题，好的 prompt 和差的 prompt 能给出天差地别的答案。花时间练 prompt 工程，比学任何具体技术都划算。
我个人的 prompt 原则：
- 给足够的上下文（我是谁、项目背景、约束条件）
- 明确你要什么（代码？思路？对比？）
- 给个参照（“按 X 项目的风格”、“像 Y 库那样的 API”）
- 让它追问（“不清楚的地方先问我”）
把 AI 当”陪练”，不是”代打”
能让 AI 帮你省力的任务，交给它。 需要你思考的任务，让它陪你一起想，但不要让它替你想。
这个界限很微妙，需要自己摸索。
结论
AI 不是替代程序员的技术。它是一种放大器：
- 放大你的产出
- 放大你的能力边界
- 也放大你的错误（如果你不 review）
会用 AI 的工程师会越来越有优势，不会用的会越来越被动。
但 AI 再强也不能替代：
- 对业务的理解
- 对系统的深度把握
- 技术品味和判断
- 团队沟通和协作
这些是”人”的价值，未来只会越来越稀缺，越来越贵。
我也在用 Kiro 写这个博客的大部分文章和代码。下一篇我会详细写”怎么用 AI 写技术博客”，感兴趣可以订阅 RSS。