共计 7596 个字符，预计需要花费 19 分钟才能阅读完成。
今天我们来聊聊人工智能是如何悄然改变软件开发的整个流程的。从项目的规划、代码生成，到测试和文档的编写，AI正在逐步融入开发的每一个环节。
说到AI编程，目前可是热门的原生AI应用领域之一。
听起来似乎有点儿反常吧？因为在过去的几十年间，“开发工具”一直不是软件行业里最赚钱的项目，但现在，这种局面正在改变。
实际上，这个市场的潜力远超我们的想象。
全球大约有3000万名软件开发者。如果每个人每年创造10万美元的经济价值，那么这个庞大的群体总共的产值将达到3万亿美元，几乎和法国的GDP相当。
根据a16z团队与多家科技公司交流的结果，哪怕是最基础的AI编码助手，都能让开发效率提升20%。而在理想的情况下，效率翻倍也并非不可能。
开发效率的提升背后，是软件行业的重新审视。逻辑其实很简单：开发效率越高，市场需求就越大；开发速度越快，软件数量就会增加。
换句话说，AI编程未来有望为全球经济带来额外3万亿美元的价值，而这只是一个开始。
如今，AI编程不仅支持了一批估值达到数十亿美元的初创公司，还有可能催生下一个万亿美元级的科技巨头。这也是为什么越来越多的参与者开始涌入这个领域：
Cursor在短短15个月内实现了5亿美元的年收入，估值接近100亿；Google斥资24亿美元收购Windsurf；Anthropic推出了Claude Code；OpenAI的GPT-5也增强了编程能力。
显然，AI编程的竞争已经全面打响。未来AI编码会发展成什么样子？虽然还没有定论，但它的雏形已经初现。
最近，A16Z发布了一篇关于AI编程的文章，详细分析了这个新兴领域的结构：从工具链的创新到协作方式的变化，展现了一个正在塑造的软件开发未来。
/ 01 / 软件开发的范式变了
过去，使用AI编写代码的流程是这样的：你先问一句“帮我写个登录接口”，然后它给你一段代码，你再把它复制粘贴到项目中。这种“点菜式”的编码方式，已经开始逐渐过时了。
现在，一种全新的开发方式正在流行，称为“计划→代码→审查”。不再是人提问、AI回答，而是从头到尾，AI全程参与：
首先是规划：AI会帮助你起草一个详细的功能描述，并主动询问所需的信息，比如API密钥、访问权限和系统依赖。
接着是编码：AI根据规划自动生成代码，甚至能完成单元测试，过程中形成一个小型的“代理循环”。
最后是审查：人类开发者只需检查AI的工作，并在必要时进行微调。
图表展示了人工智能如何分解高级规范并提出问题
这张图展示了新项目启动时AI介入的典型流程。它的第一步是撰写高级功能说明书，并主动提出一系列问题，以补全所有认为关键的背景信息。
这些问题通常涉及需求细节、架构决策、外部依赖、权限配置等，甚至会明确要求提供API密钥和工具访问权限等实际操作条件。最终形成的，是一份结构完整的附加信息清单，可能长达数页。
这套规范文档的价值主要有两个方面。一方面，它能准确指导后续的代码生成，确保生成的内容与开发者的意图保持一致；另一方面，它能作为项目的“长期记忆”，帮助开发者或其他模型理解某个模块或文件的功能。尤其是在大型项目中，代码库往往复杂无比，一份清晰的规范能成为维持秩序的重要依据。
而这个过程并不是一次性的。人类开发者在修改完代码后，通常还会让语言模型回过头更新规范文档，确保这份说明始终与代码的最新状态保持一致。最终形成的，是一套“文档齐全”的工程产出，既方便人类查询，也为AI后续任务奠定了基础，实现了良性的人机协作循环。
Cursor Directory 的图片，LLM 编码指南库
从规范到协作，AI 编码的全新体验在如今的开发世界里，光靠项目本身的需求可不够。现在大多数的 AI 编码系统都有一整套通用的架构与编码规范。这些规范有的适用于整个公司，有的则是专门为某个项目或模块量身定制，主要是为了规范代码风格、架构选择和接口设计等技术细节，帮助开发者有章可循。
更有趣的是，现在网络上涌现出许多专为 AI 模型定制的“最佳实践”，比如 Cursor 的规则集、GitHub 社区分享的提示模板，甚至还有 Claude Code 的开发说明。
这些内容不是写给人看的，而是专门为 AI 模型量身打造的。
我们正看到一种新型知识库的诞生——它不再是为了培训新人，而是为了让 AI 成为真正的协作伙伴。
在这个新模式下，AI 不再只是一个听话的工具，而是可以参与整个产品开发的“队友”。它能领会公司的技术政策、理解项目背景，甚至熟悉行业标准，具备越来越强的上下文理解能力。AI 不再只是执行命令，而是能参与架构设计和功能规划，甚至能提前发现潜在风险。
在项目规划阶段，虽然 AI 的角色仍处于探索阶段，但不少公司已经在尝试将其引入更上游的流程。
例如，像 Nexoro 这样的工具专注信息整理，能自动从 Slack、论坛、邮件和 CRM 系统（比如 Salesforce、Hubspot）提取客户反馈，生成一份“用户想要什么”的清单。
另一类工具，比如 Delty 和 Traycer，更关注“任务拆解”。它们能够将一段功能说明自动转换为可执行的用户故事，并同步到 Linear 这样的工单系统，帮助团队推进开发。
这一趋势发出一个明确的信号：过去靠维基文档和手动维护的任务追踪器的方式，已经逐渐跟不上如今快节奏高复杂度的项目需求。
传统工具要么被淘汰，要么被 AI 重构，变得更加智能、高效和自动化。软件开发的协作方式，正在经历一场重新定义的变革。
从编写代码，到编程的“搭子”
当前期的计划做好后，接下来就进入了 AI 编码的“循环流程”：AI 先写代码，开发者再进行审核和调整。这一过程会不断迭代，具体的交互方式则取决于任务的复杂性和是否需要异步处理。
最常见的交互方式是“Tab 补全”和“智能编辑”功能。这些功能已经被无缝整合到许多现代代码编辑器中，比如 Cursor、Windsurf、Sourcegraph Amp，甚至各种 VSCode 插件。
用户只需在编辑器中正常编写代码，AI 就会根据上下文自动补全当前行，或者对局部内容进行修改，几乎不需要手动触发提示。这种能力背后依赖的是经过专门调优的小模型，既轻量又反应迅速，能够在本地快速响应，提升开发效率。
另一种更灵活的方式，是“基于聊天”的文件编辑体验。用户可以直接对 AI 说：“帮我把这个函数改成异步的”，并提供相关上下文。AI 会调用具备大上下文窗口的大模型，对整个项目文件夹进行全面理解，甚至可以跨文件操作，比如创建新文件、添加依赖包等。
这些工具既可以嵌入 IDE 里使用，也可以通过网页操作，每一步都有可视化反馈，方便用户快速确认修改效果。
简单来说，AI 编码正从“写几行代码”转向“协同完成整个开发任务”，交互方式也变得越来越多样化，不管是轻量模型的即时响应，还是具备全局理解的大模型配合，总能找到适合开发者的工作方式。
后台运行的 AI 代理跟普通 AI 助手有些不同。它们不需要人一直在身边互动，而是可以长时间独立工作，自动推进任务。这类代理通常会自己运行测试，确保结果没问题——毕竟用户不在现场，系统必须有办法自我判断。
这些 AI 最终的产出，往往是已经修改好的代码树，或者准备提交到 Git 仓库的 Pull Request（代码合并请求）。像 Devin、Anthropic Code、Cursor 的后台 Agent，就是这类“静默工作型”AI的代表。
与此同时，还有一类工具也在迅速崛起，那就是 AI 应用构建器和原型工具。比如 Lovable、Bolt（Stackblitz 旗下）、Vercel v0 和 Replit 等平台，正在用自然语言、线框图，甚至简单的 UI 示例，直接生成一整个能运行的应用，而不仅仅是前端页面。
这些工具正在吸引两类用户：一类是希望快速做出 MVP 的创业者或设计师，另一类则是想用 AI 快速试错、搭建原型的专业开发者。虽然目前还很少有人把这些 AI 生成的界面代码直接用于正式上线的项目，但这更多是因为工具仍在成长阶段，而不是方向不对。
未来，等它们的稳定性提升，AI 不仅能写 UI，写后端、连数据库、接 API，可能就真成了全栈的“搭子”。我们距离“说一句话生成一款 App”的那一天，或许并不遥远。
随着 AI 代理在项目中的角色越来越重要，开发者关注的重点也在发生转变。过去，我们会更关心“代码是怎么改的”；而现在，更关注“为什么要这么改”和“改完有没有效果”。尤其是当 AI 一次性生成整个文件时，传统的“diff（差异）比较”方式就显得不那么实用了。
因此，一些新工具开始重新定义“版本控制”。例如 Gitbutler，它的思路不再是逐行监控文件内容的变化，而是围绕“意图”记录开发过程：
AI 是怎么理解需求的？用了什么提示词？效果如何？这些信息比单纯的代码差异更有意义。Git 变成了后台的“账本系统”，而真正有价值的操作，发生在“语义层”——也就是目标、决策和结果的轨迹。
同时，AI 也越来越多地参与到源代码管理系统（如 GitHub）本身。现在，很多团队已开始让 AI 参与 Issue 和 Pull Request 的讨论。这些讨论本身就是一种“上下文输入”，能帮助 AI 更好地理解开发意图，从而提供更切合的实现方案。
在代码审查环节，AI 也开始担任“审查官”角色。它会关注代码的正确性、安全性和合规性，帮助开发者提升代码质量。像 Graphite、CodeRabbit 就是这一领域的代表，正在探索“AI审查AI”的全新开发协作模式。
现在，大多数 AI 编码助手的工作流程已经高度自动化。这意味着，它们会自主决定下一步该做什么，还能调用各种工具完成任务（在 Hugging Face 等框架中被称为“3 星”能力）。例如，文本小改、更新库、增加简单功能等任务，现在许多时候都可以完全由 AI 独立完成，无需人类干预。
这一趋势也带来了许多“高光时刻”。比如，在 GitHub 上一个关于讨论功能的 issue，最终只留下一句“@aihelper 请实现”，几分钟后，AI 就自动生成了一个几乎完美的 Pull Request，直接合并上线。虽然目前这种“神来之笔”还不常见，但在简单场景中已经开始成为可能。
相比之下，更复杂的开发任务仍然需要人类参与决策，但有一个领域已经被证明特别适合 AI，那就是遗留代码的迁移。这是当前 AI 编码最成熟、效果最好的落地场景之一。
常见的例子包括：将 Fortran 或 COBOL 这样的老旧语言迁移到 Java，将 Perl 转成 Python，或者替换掉已经过时的 Java 类库。典型的做法是，先让 AI 从旧代码中提取功能规范，再根据这个规范用新语言重新实现。旧代码不再是直接复制粘贴，而是变成了解决歧义的“对照组”。
这一方向的市场潜力非常巨大，已经有不少初创公司专注于这个领域。尤其在金融、制造等依赖老系统的行业，AI 正在成为“翻新工程”的超级工具，效率远超传统人力方案。
如今，AI 编写代码不再是“写几行新功能”那么简单，它已然成为大型系统现代化升级的关键角色。
别只盯着 AI 写代码，它连测试和文档都包了
很多人可能认为，AI 写完代码就算结束了。但实际上，真正的“神助攻”恰恰在后面。
代码写完后，接下来的两个关键环节是测试和文档生成。而现在，这两个部分也都在被 AI 重新塑造。
先说文档。现在的大模型，比如 GPT-4 和 Claude Opus，已经能写出专业且结构清晰的技术文档，不仅能写，还能“用文档”。
什么意思呢？比如你问 AI：“这个函数是干嘛的？”它不仅能回答，还能调出注释、示例和相关代码，给你讲得一清二楚，比老员工还要靠谱。
像 Context7 就专门为此而生，它会在你需要的时候自动调出相关内容，确保 AI 写出来的文档是“贴着代码长出来的”，而不是那种看起来高大上，实际上与实现毫无关系的空话。
更强大的工具是 Mintlify，它不仅能帮你生成静态文档页面，还能搭建一个“文档小助手”。你可以在里面问问题、搜用法，甚至一句话让 AI 重新生成某部分文档。这对于客户使用的产品文档来说，比 PDF 不知道要高到哪里去了。
在企业内部，另一种更“严肃”的文档是安全合规文档。以前这种东西都是专人撰写，过程缓慢且容易出错。现在有了像 Delve 这样的 AI 工具，直接帮你生成和更新，合规不再是麻烦，而是自动化的一部分。
再来看看测试。
以前写测试用例可真是一件麻烦事，尤其是跨 UI、API、数据库的流程测试，动不动就要写几百行。如今，AI QA 工具能够全自动搞定。它不仅能编写测试脚本，还能自己运行流程、检查结果、输出错误报告，甚至给出“建议修复方式”。
这意味着什么？过去的开发流程是：“写完代码 → 人工审查 → 人工写测试 → 提交上线”；而现在有些任务，AI 一口气全包了，从写到测再到提交，只需要你最后点个头。
特别是在如今许多 AI 生成的代码越来越“黑盒”的情况下，我们更关心的是它“有没有错”而不是“看不看得懂”。这时，AI 在测试、文档和合规方面的全面介入显得尤为关键。
代理系统背后的全自动工具栈
除了为人类开发者服务的工具，现在还涌现出一类专门为 AI 自己使用的“工具链”。
这些工具不是供人操作的，而是专门为 LLM（大语言模型）调用，让它们能够独立完成搜索、分析、测试等任务。可以理解为，这是 AI 自己用的“开发者工具箱”。
AI的崛起与程序员的转变，你准备好了吗？
首先，我们来聊聊代码搜索和索引工具。想象一下，当 AI 面对成百万行甚至上亿行的代码时，直接把这些代码通通塞进模型里，这无疑是一场噩梦，不仅效率低下，成本也会飙升，效果可想而知。
更聪明的做法是，给 AI 装上个“代码搜索引擎”，需要查找时，随时可以检索到相关片段。对于小项目来说，普通的 RAG 技术或者 grep 搜索就足够了；可是大型项目就得用更高级的工具，比如自动生成调用图、识别函数引用的分析工具。
就像 Sourcegraph 提供的企业级代码分析平台，或者 Relace 推出的专用模型，它们都在这个方向发力，极大地帮助 AI 快速定位最相关的部分，让理解的效率大大提升。
接下来是文档和网络搜索工具。像 Context7、Mintlify 这样的工具，可以自动从代码中提取注释、示例和上下文，确保 AI 生成的文档与实际代码相符。
而 Exa、Brave、Tavily 更加注重网络搜索，它们能帮助 AI 快速获取外部知识和临时参考资料，特别适合客服、运营和支持场景的长尾检索。
还有一个重要的组成部分就是代码沙盒。AI 写出的代码需要测试和运行，但直接在本地运行又有风险——模型可能会“幻想”出错误的命令，甚至引发安全问题；而现实中的开发环境本身又复杂得很，依赖多、配置也重。
因此，专门的“AI 执行环境”纷纷应运而生，比如 E2B、Daytona、Morph、Runloop 和 Together 的 Code Sandbox。它们提供可重复、可隔离、可追踪的沙盒平台，让 AI 可以安全地执行命令行操作、运行脚本和调试程序，成为整个 AI 开发体系的重要基础设施。
这些专门为 AI 设计的工具，就像是为 AI 装上了多功能的瑞士军刀，真正赋予了它参与复杂项目的能力。
展望未来，我们将看到越来越多的 AI，不再只是“在IDE里打辅助”，而是像独立工程师一样，接任务、调资源、跑测试、提 PR，全流程参与软件开发。真正的“AI 工程协作系统”，正在逐渐成型。
/ 05 / 应用会自己进化，程序员的价值也变了
AI 编码时代已经来临，现在许多公司不再是“试试看”，而是开始在实际工作中运用它。但随之而来的问题也是不容小觑，这玩意儿的成本可真高。
最近 Reddit 上有个热帖问：“Claude Code 太贵了，有什么省钱的窍门吗？”
我们来算一笔账：如果你使用的是 Claude Opus 4.1，那么每次调用模型需要输入 10 万个 token，再加上 1 万个输出 token。按每百万 token 输入 15 美元、输出 75 美元来算，一次调用大概要花 2.5 美元。
如果你每天运行 7 小时，每小时跑三次，一年下来就要花费一万多美元，甚至比一些地区的初级程序员的工资还要高。
这还划算吗？
其实，很多平台已经开始用“聪明的方式”来降低成本了。比如 Cursor 就可以在同一个界面调取多个模型，根据任务的复杂度自动选择更便宜又够用的那一个。即使是低价模型，也能显著提高效率。
所以，现在大家不再纠结于“哪个模型最强”，而是更加关注“谁能用合理的价格创造实际价值”。过去几十年，软件开发的成本几乎全靠人力支撑；而如今，大模型的推理成本，正在成为一种新的“运营开销”。这会不会逐渐取代传统的 IT 外包呢？可能不会，但确实会对商业决策的方式产生影响。
那么，对于全球三千万开发者来说，AI 是机遇还是威胁呢？
有人说，AI 会取代程序员。这种说法其实是媒体的夸大，还有一些厂商为了推销产品而进行的营销——他们把 LLM 的定价宣传成“人力替代成本”，听起来让人紧张，其实并不真实。
实际上，越早使用 AI 的公司，越希望增加开发者的数量。他们发现，合理利用 AI 不仅能在短期内获得积极的投资回报率，还能挖掘出许多之前无法实现的新机会。
不过，程序员的工作内容确实发生了变化。你不仅要会写代码，还得懂得如何与模型合作，如何查错、补全、优化提示词……传统的开发流程正在被重新定义。
这也意味着，大学里的教学内容也得随之调整。
算法、架构、人机交互这些依然重要，但那种“从头敲代码完成项目”的教学方式，正在被历史所淘汰。我们仍然需要懂编程的人，但更多时候，是为了“填补 AI 写的烂代码留下的坑”，而不是从零开始。
从长远来看，AI 还可能推动一种全新的软件形态：会自我进化的应用。比如，像 Gumloop 这类工具，用户只需描述一个新功能，AI 就能自动生成代码实现。未来的应用，可能不再是单一发布，而是可以随时升级、定制和自动扩展的“活软件”。
或许，未来每个应用上都会有个“AI 增强”按钮，轻轻一按，就能用一句话让它帮你增加新功能。
当然，这并不意味着代码就会消失。
在简单场景下，确实可以通过语言控制 LLM 完成任务。ChatGPT 已经能够直接执行一些基础算法。但一旦任务复杂、性能要求高，代码依然是不可或缺的。
别忘了：在 GPU 上执行一个加法只需要 10^-14 秒，而 LLM 输出一个 token 至少要 10^-3 秒，中间差了 1000 亿倍的速度差距。这种差距构成了代码世界的天然护城河。
所以可以说，AI 不会取代程序员，但会重新塑造他们的角色。
未来的程序员，不再只是“写代码的人”，而是和 AI 共同工作的“系统编排师”、“提示工程师”、“模型质检员”。
本文由人人都是产品经理作者【汪仔2763】原创/授权发布，未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议。
