AI写代码已不是难点：规划与验证成为新瓶颈

从提示到生产：写代码为何成了最简单的部分

当下，从一个想法到产品上线，似乎从未如此简单。你只需告诉AI你的项目构想，具备智能体（agentic）能力的编码IDE就能立即着手，从第一行代码一路做到实际部署。但真正决定成败的，往往不是AI能不能写出代码，而是它写代码之前和之后发生的事。

这段来自B站的技术分享提出了一个越来越被行业认同的观点：随着AI让代码实现的成本急剧下降，写代码正在变成整个软件工程流程中最容易的一环。真正稀缺、真正决定质量的，是规划（planning）与验证（verification）这两端。

规划：解决方案的质量在第一行代码之前就已注定

就像盖楼不会在没有设计图纸时就直接浇筑混凝土一样，复杂的工程工作必须从详尽的规划开始。有效的AI工作流需要理解意图、评估影响，并推理出完成任务所需的正确步骤。换句话说，解决方案的质量，常常在写下第一行代码之前就已经被决定了。

视频中举了一个很直观的例子：假设你有一个网站，你让AI编码助手"帮助客户更快找到信息"。AI可以有很多种实现方式——搭建一个搜索栏、编写FAQ板块、展示个性化推荐，或者直接创建一个AI聊天机器人。这些方案AI都能高质量、高速度地实现。

问题在于，这些方案背后隐藏着截然不同的约束条件：也许你根本没有足够的客户数据来做个性化推荐，也许你没有预算支撑一个AI助手，也许你的技术栈缺少相应的授权许可。AI能执行，但只有作为提示者的你，才能设定什么才是成功的关键，以及为什么。

现代软件开发的本质，越来越少地关乎写代码本身，而更多地关乎在日益复杂的系统中权衡依赖关系、工作流、架构决策和各种取舍。当AI让实现变得廉价时，选对方向反而变得更加重要。

执行：代码改动只是庞大工作流中的一小块

人们容易把一次代码变更简单理解为"从提示到代码"——你或AI写好代码、提交、完成。但实际上，实现一次变更是一个大得多的工作流，代码改动往往只是其中很小的一部分。

你可能需要同步更新代码、测试、配置、基础设施、文档、监控、流水线、依赖、安全与合规——这个清单可以一直列下去。更棘手的是，这些更新经常需要在多个代码仓库、服务和交付流水线之间协调完成。

智能体编码系统真正的价值，并不在于它能写出一个简单的函数，而在于它能把执行、验证、依赖管理和测试串联成一个统一的工作流，并跨所有这些领域为你协调运作。而且，作为智能体，它们并非一次性动作：编码助手会构建、跑测试、发现失败、修复失败、运行安全扫描、验证依赖，然后持续评估并重新构建。

这就形成了一种自我纠错的工作流——执行与验证同步发生，共同推动高效的结果。长期以来，真正的挑战从来不只是生成代码，而是协调围绕代码的所有变更。

智能体（Agentic）编码系统与传统AI代码补全工具的核心区别在于自主性与多步推理能力。传统工具（如早期的Copilot）以"单步建议"为主：开发者输入，AI补全一行或一段代码，流程止步于此。而智能体系统能够自主制定子任务计划、调用外部工具（终端、文件系统、浏览器、API）、根据中间反馈动态调整路径，并持续循环直到目标达成。这种"感知—规划—执行—反馈"的闭环正是"agentic"一词的核心含义。目前代表性的智能体编码环境包括Cursor、Devin、GitHub Copilot Workspace等，它们通常集成了代码编辑、终端执行、测试运行和版本控制操作，使AI能够在一次对话中跨越多个工具边界完成完整的工程任务，而不仅仅是生成一段孤立的代码片段。

验证：AI能极速扩展执行，人却难以扩展验证

即便智能体成功完成了任务，还有一个挥之不去的问题：我们怎么知道它真的成功了？

过去多年里，软件开发受限于执行速度——写代码、迁移系统、做测试都需要时间。AI改变了这一切。今天，一个智能体可以在几分钟内更新数百个文件、触及多个仓库、修改测试、流水线和配置。这是产出（output）。

但矛盾也随之而来：AI扩展执行的速度，远远快于人类扩展验证的速度。如果一个智能体改了5个文件，我可以自己审查；但如果它跨多个仓库、测试和部署流水线改了500个文件，我根本不可能逐一审查每一处改动。当执行不再耗时，瓶颈就转移到了我们对结果是否成功的信心上。

作为开发者，我们需要对几个简单问题得到确切答案：改了什么？为什么改？可能会破坏什么？对下游系统有何影响？以及——我们究竟有没有达成目标？

视频中一句话点破了本质："我不在乎AI改了1000行代码，我在乎的是改对了那1000行，并且它们让我们更接近所需的结果。"

这一矛盾在软件工程领域有一个专门的概念对应：验证瓶颈（Verification Bottleneck）。传统软件工程通过代码审查（Code Review）、单元测试、集成测试、静态分析等手段来建立对变更的信心，但这些机制的吞吐量本质上受限于人的注意力与时间。当AI将代码产出速度提升数十倍时，原有的质量门禁流程就成了明显的约束点。这也是为什么学术界和工业界正在积极探索"AI辅助验证"——让另一个AI或形式化方法来审查AI生成的代码，形成"AI写、AI查"的双层结构。部分团队还引入**变更影响分析（Change Impact Analysis）**工具，自动追踪一次提交在调用链、依赖图和下游服务中的传播路径，从而在不逐行阅读的情况下快速评估风险边界。

AI不该只产出代码，更该产出"证据"

用对方法的话，AI不应只生成代码，而应生成证据——通过测试、验证、影响分析和解释来佐证结果。而这些证据，反过来会转化为开发者对结果的信心。

信任并非来自看到更多产出，也不来自有人直接告诉你答案。信任来自"知道方案确实有效、理解其影响与风险、并确信目标已经达成"。优秀的AI工作流所加速的，不只是执行本身，还有规模化的信心（confidence at scale）。

从"提示到代码"到"提示到生产"

AI编码工具在短短几年内走了很远。最初它们只聚焦于生成能运行的代码，如今智能体编码系统已经能嵌入完整的软件开发流程，去简化最难的那部分——协调。

当AI让执行变得廉价，现代开发者被重视的技能也随之转移：从规划、架构到治理，工程判断力与思考能力变得比以往任何时候都更有价值。我们早已越过了"提示到代码"的阶段，未来是"提示到生产"。最强大的AI工作流，将把规划、执行、验证与核实连成一条从想法到结果的连续路径。