AI 替代不了程序员的哪些能力?从需求拆解到线上排障
围绕「中短期内哪些程序员能力无法被 AI 替代」的讨论,梳理出一个共同结论:写代码本身正在被快速接管,真正稀缺的是把模糊需求转成可执行逻辑、在复杂系统里定位问题、跨角色沟通与为结果担责。文章给出可操作的协作流程、AI 代码评审清单和常见分歧的取舍建议。
把「AI 会不会取代程序员」换成更具体的问题——在中短期内,哪些环节仍然是人的主场——讨论就变得有价值了。常见的回答分两类:一类是情绪化的(背锅、加班、和产品经理对线),一类是技术性的(复杂逻辑的细化、老系统维护、软硬结合)。两类其实指向同一件事:写代码这个动作正在被快速接管,但把一个模糊目标变成可运行、可维护、可交付的系统,仍然是人的工作。
下面把讨论里能站得住的观点拆开讲,并给出可以直接照着做的协作方式。
先把「写代码」和「做工程」分开
不少人对 AI 的失望,来自预期错位:把它当成一个能独立接需求的工程师,而不是一个执行速度快、但需要清晰指令和结果校验的协作者。
真正的门槛在逻辑细化,而不在语法
有长期使用大模型写代码的人总结得很准确:目前最不可替代的能力,是把需求或思路转化为极其细化的代码逻辑。同一个功能,如果你能说清楚数据从哪来、状态怎么流转、异常怎么处理、边界在哪,模型基本都能写出来,哪怕是它没训练过的框架或语言;说不清楚,它就会给你一份「看起来对、细节缺失」的代码——漏了并发、漏了幂等、漏了失败重试。
这也解释了为什么「让 AI 分步处理」并不能解决问题:分步只是把一个模糊的指令拆成若干模糊的指令,细化逻辑这件事仍然要人来做。
模型会陷入循环,突破口往往在模型之外
实际开发中还有一个高频现象:某个具体问题如果模型没有直接答案,它会反复给几个换汤不换药的方案,越改越偏。此时继续调整提示词基本是浪费时间,有效做法是换信息源:去官方文档、issue 列表、源码或社区问答里找到真实原因,再把结论贴回给模型,让它据此改代码。模型很擅长在你给出正确方向后完成落地。
中短期内难以替代的几类能力
| 能力 | 为什么难替代 | 怎么练 |
|---|---|---|
| 需求到可执行逻辑的转化 | 需要业务上下文、隐含约束和取舍判断,模型拿不到也没法负责 | 每次动手前写一页设计说明:输入、输出、状态、失败路径 |
| 复杂系统的调试与老代码维护 | 依赖对历史包袱、调用链、脏数据的整体认知 | 先补日志与特征测试锁定现状,再小步改 |
| 跨角色沟通与需求澄清 | 要处理目标冲突、优先级和人情世故 | 练习把口头需求写成可验收的条款 |
| 软硬结合、现场环境相关 | 涉及设备、驱动、时序、网络与实地条件 | 多碰真实环境,别只在本地跑通 |
| 判断与担责 | 上线与否、风险多大、对外怎么承诺,AI 不能签字 | 在每次决策后复盘结果 |
其中「维护老代码」被反复提到并不意外。让模型直接重写一个模块,往往会把多年积累的特殊处理一起删掉;正确姿势是先用测试把现有行为固定下来,再分批替换,让模型帮你写「描述现状」的测试,比让它直接重构安全得多。
关于「私有化部署下普通业务代码半小时就能重构完」这种说法,需要分场景看:代码量小、耦合浅、有测试覆盖的项目确实可以很快;但一旦涉及跨服务调用、历史数据兼容和线上灰度,提速空间会大幅收窄。听到这类结论时,先问一句「项目有多大、测试覆盖多少」。
几个容易走偏的观点
「把自己当产品经理,把 AI 当程序员」——方向对,但只对了一半。产品经理的核心不是提需求,而是判断什么值得做、优先级如何、验收标准是什么。你可以让模型写代码,但需求是否成立、方案是否过度设计,仍然要你自己判断。
「AI 写不出它没学过的东西」——通常不成立。只要你能把目标、约束和验收方式描述清楚,模型可以按你给的范式写出新东西。真正的限制在于上下文长度和你的描述精度,而不在于它是否见过。
「软硬结合、运维、修电脑这类活 AI 干不了」——现场部分确实如此,但不要把「暂时碰不到物理世界」当成长期护城河。更稳妥的理解是:这些领域的价值在于问题定义和现场判断,而不是动手本身。
可操作的协作流程
1. 用结构化提示替代口语化描述
目标:给订单服务增加超时自动关单能力
约束:不改动对外接口;只允许新增表;兼容现有语言版本
现状:附上相关文件、调用链和关键日志(说明大致行数)
产出顺序:先给设计方案与影响面 → 再分文件给 diff → 最后列测试点
不确定的地方请明确标注,不要自行假设
最后一句很关键:让模型暴露不确定点,比让它自信地编造要省事得多。
2. 给调试循环设一个止损点
- 同一问题让模型尝试 2~3 次仍无进展,立刻停手,不要再微调措辞。
- 补齐四类信息:完整报错栈、最小可复现示例、相关源码片段、依赖与运行环境版本。
- 去官方文档、源码或 issue 里找根因,找到后把方案贴回给模型执行。
- 改完后自己跑一遍最小复现,确认问题真的消失,而不是被绕过去。
3. AI 生成代码的评审清单
- 边界:空值、并发、超时、重试、幂等是否处理。
- 错误处理:有没有把异常吞掉,日志是否够定位问题。
- 依赖:新增的库是否仍在维护,会不会引入不必要的体积。
- 安全:拼接查询、权限校验、密钥硬编码。
- 测试:是否附带了能跑起来的用例,而不是只给代码。
4. 沟通能力可以拆成可练的动作
每次需求讨论后写一份简短决策记录:背景、目标、不做什么、验收标准、遗留问题。这份文档既是和产品、运维对齐的依据,也是喂给 AI 的高质量上下文。长期看,能写清楚文档的人,用 AI 的效率也更高。
注意事项
- 长时间运行的重构、批量测试或让 AI 工具持续跑任务时,本地机器的休眠、断网和散热会成为干扰。如果这类任务较多,可以考虑把执行环境放到稳定在线的远程机器上,例如整台 Mac mini 放在机房、按月租用远程连接使用,能长期在线跑 Claude Code 之类的工具;涉及代码和数据时要先确认合规要求。
- 模型能力和工具生态变化很快,具体特性与限制请以官方最新文档为准。
- 不要把「AI 能写」当成「不用看懂」。看不懂的代码进到仓库,最后排查问题的还是你。
小结
短期内不会被替代的,不是某一门语言或框架,而是三件事:把模糊需求拆成可执行逻辑、在复杂系统里定位真实原因、为结果做判断并承担后果。写代码的部分交给模型没问题,但上面这三件事做得越扎实,AI 对你就是放大器而不是替代品。