AI可以用任何手段、寫任何東西，但你得是個“中年老登”

作者｜Tina

采訪嘉賓｜黃東旭、徐昊、滕昱（按文中出場順序）

“我現在陷入到一種巨大的虛無主義里，AI 什么都能寫。”

PingCAP 聯合創始人兼 CTO 黃東旭在完成 db9 項目后這樣說。

做 db9 之前，他心里預設過一個終點：復雜到某個階段，AI 總該做不下去。結果是，每次系統看起來要撞墻，調整 harness、任務拆分和 agent 協作方式之后，它又繼續往前走。三個月后，一兩個人參與、100 多萬行代碼的數據庫項目跑了出來。最后，他發現自己沒有等到那個邊界。

“我做 db9 過程中，最大的體會就是，我沒看到邊界。這已經是我能想到最復雜的軟件了，但還是沒有看到邊界。”

那些讓我們爭得頭破血流的東西，都沒了

“沒看到邊界”的第一層含義，是過去很多被視為長期鎖定的東西，開始松動了。

語言、框架、數據庫選型，曾經都是軟件工程里最重的決策。一個系統寫進某種語言、某個框架、某個數據庫以后，技術棧會慢慢長成組織結構。招聘按它來，測試體系按它來，部署方式按它來，線上事故的處理經驗按它來，工程師的身份認同也按它來。時間越久，這個選型越不像一個技術選擇，而更像一條公司命運線。

所以選型是一個漫長、謹慎、充滿驗證成本的過程。用 Rust 還是 Go？React 還是 Vue？MySQL 還是 Postgres？每有更換技術棧的事情，社區里都會為是否值得吵上好一陣。而且類似的遷移在過去往往是以“年”為單位的工程。Meta 從 Java 遷到 Kotlin，哪怕高度依賴自動化工具，也跑了整整 4.5 年；微軟把 TypeScript 編譯器用 Go 重寫，也花了約 14 個月。

但 Bun 從 Zig 遷移到 Rust，用了 6 天。

Ghostty 作者、HashiCorp 聯合創始人 Mitchell Hashimoto 說：“編程語言過去意味著鎖定，但現在越來越不是這樣了。Rust 并不重要，Bun 已經證明，他們幾乎可以在一兩周內用任何他們想要的語言寫代碼。”

Simon Willison 記錄過一個應用層的類似案例。一家中型企業用 coding agent 將他們歷史悠久、頗具代表性的遺留 App，包括 iPhone 和 Android 兩個原生版本，都重寫成了 React Native。他問這家技術負責人為什么要換框架，對方的回答是：“即使后來證明這個決策是錯的，未來也可以再用 Agent 遷回原生。”

框架選型不再像過去那樣是一條單行道，它開始變成一個隨時可以撤回、可以重做的工程決策。

數據庫也一樣。，從 Agent 的視角看，MySQL 和 Postgres 之間，只是語法差異，就像方言問題，不是世界觀問題。因為兩者背后是同一個心智模型——SQL。這個模型極其穩定，在 LLM 的訓練語料里到處都是。Agent 早就懂了。

Agent 沒有偏好，“它不會在乎語法優不優雅，也不會在乎社區文化，更不會糾結‘哪一個更像正統’。只要接口是穩定的、語義是清楚的，生態是完備的，網上能找到豐富的文檔，它就可以很快適配”。

那些讓人類吵得頭破血流的品味之爭，在 Agent 這里，都不存在了。

“什么都能寫”

如果語言、框架、數據庫都不再構成不可動搖的長期鎖定，那么接下來真正被打開的，就是軟件實現本身。

黃東旭說，“AI 基本上可以用任何方案、任何工具、任何手段去寫任何東西。”

db9 就是一個復雜度足夠的例子。，完整的 Postgres 語法支持、具備向量檢索 / 全文檢索能力、TypeScript Serverless 函數、極致多租戶。三個月內，從第一行代碼到上線，代碼量超過 100 萬行 Rust。0 行由人類手寫，0 行由人類 review。上線后，服務了超過 10,000 個數據庫實例。

成本方面，峰值時一天會消耗約 10 億 token；一個月下來，大約是 2000 美金級別的 token 成本。這個成本相對比最終產出，基本可以忽略不計。對比來看，過去做出同樣規模的東西，至少需要幾十個人的團隊干上一年。“現在相當于我一個人一個月就干出來了，”他說，“所以還是很夸張的，當時我自己也非常震驚。”

這個項目始于感恩節假期的一個小實驗，一開始就是想試試看它的邊界在哪里。“我心里預想的是，應該做到某個階段，它就做不下去了。”但每次到了做不下去的時候，就看看是什么地方出錯了，然后跟它一起調整自己寫的 harness 產品，不斷優化人和 AI 協同的方式。結果發現它和它的團隊越干越好，一直往前走。

“到某個點之后，我發現它已經超出了我能掌握或者說我能看的邊界，我就不看了，因為看不過來。它的產出效率太高了。到今天，我已經不太關心代碼細節了。至于開發過程，它肯定干得比我好。”

AI 做事太快，反饋鏈路太短。過去這段時間，黃東旭以前攢下的所有 idea，以前想做的但沒時間做的所有東西，現在用 AI 一個不落地的都實現出來了。基本上每天做一個，每天做一個，到后來，他產生 idea 的速度已經跟不上 AI 做出來的速度了，這讓他非常難受。

黃東旭本身技術能力足夠強。當一個技術很強的人把 AI 握在手里，效果被放大無數倍，結果會很可怕：“我現在的狀態是：至少生產軟件這個過程已經沒有什么意義了。你不會再覺得一個東西很難，或者覺得它是高科技。軟件本身作為護城河，這件事已經沒有了。我可以復制我看到的任何東西。但復制也沒什么意義，因為人家已經做了。”

我們問他：那到底什么軟件能寫？是否需要一些特別的原始條件？

他回答：“沒有什么原始條件。沒有。所以我現在陷入到一種巨大的虛無主義里，什么都能寫。”

“重寫”格局小了

從“什么都能寫”走向“什么都能重寫”，可能是這輪變化里更值得關注的行業趨勢。

AI 不只是降低了軟件生產門檻，更在改變軟件演進的方式。過去，“重寫”往往意味著高風險：舊系統不能停、兼容性不能丟、業務邏輯不能錯，所以很多老系統，只能繼續運行下去，沒人敢真正替換它們。

先是那些邊界清楚的軟件開始被重寫，接著連沒有源碼的系統也開始被還原和重建。

這半年里，有大量的重寫案例。

今年 2 月，Cloudflare 的工程師 Steve Faulkner 發現 Next.js 很難部署到無服務器平臺，于是用 AI 在一個周末里重寫了它，做出 Vinext——一個基于 Vite 的替代實現，Token 成本約 1100 美元，已跑進生產環境。

今年 3 月，一個叫 chardet 的 Python 庫——requests 的依賴，很可能藏在你的項目里——它的維護者在維護了十二年后，用 Claude 重寫了整個庫，并把許可證從 LGPL 換成了 MIT。引發的爭議至今沒停。

更極端的是沒有源碼的重寫。

總有一些沒人愿意觸碰、又人人依賴的系統，特別是在運行了幾十年的大型企業核心系統里。它們構建于早已無人問津的技術棧，困在過時的數據庫、老舊的操作系統、脆弱的虛擬機中。維護人員流失，文檔缺失脫節，甚至連源代碼都找不到了。

Thoughtworks 做過一個典型案例。一套企業系統，源代碼完全丟失，只有二進制文件還在。數據庫有 650 張表、1200 個存儲過程，應用層是 45 個 DLL 文件。團隊用 LLM 輔助反向還原：觀察 UI 變化，追蹤數據庫寫入，分析存儲過程，反編譯匯編代碼，再由人做驗證、校準和交叉確認。幾周時間產出了足以驅動重寫的規格。傳統方式需要 20 人花 6 個月。

還有一個更戲劇化的個人項目。1992 年，Jon Radoff 開發了一款 MUD 游戲，獲得了 1993 年《計算機游戲世界》雜志的藝術卓越獎，2000 年停運，源代碼全部丟失，只剩下一些腳本、手冊和游戲錄像。他把這些材料丟給 Claude Code，說“自己搞明白”。Claude Code 逆向還原了他 30 年前設計的自定義腳本語言，然后從零重建了整個游戲引擎和完整世界。原版是 90 年代他花幾個月寫出來的 C 代碼，這次變成了一個周末項目。

“一種我三十年前設計的語言，沒有正式規范，只有一本 GM 手冊和一堆示例腳本，被一個從未見過它的 AI agent 完整重建了。”

也就是說，就算沒有源代碼的軟件系統，在大模型面前也能被重寫、被復活。

代碼不重要，知識才重要

徐昊把這類實踐歸為“知識工程”。他認為，真正有用的不是代碼本身，而是文檔、遺留下來的規則、業務邏輯、系統行為這些沉淀在軟件里的知識。就像 Thoughtworks 的黑盒案例，背后其實也是通過反向工程去反推 specification，因為真正有用的是把這些知識還原回來。

徐昊在匯豐銀行也用了很多類似 specification driven 的方法。面對遺留系統，先讓 AI 生成一版 specification，講清楚這個系統在做什么；人去讀、修正，讓 specification 變正確；再根據 specification 生成測試，用測試驗證系統行為。之后基于這份 specification 做改造和遷移。

“這比你拿到一段代碼，直接讓 AI 去遷移，要重要得多。”因為“真正要反向出來的，不是代碼，是 specification。”

這就回到了他一直在強調的那個判斷：軟件本身只是載體，真正的產品是軟件中的知識。

如果知識已經留存下來，載體發生變化，這件事用交叉編譯來理解更清楚——同一份代碼以前要跑在不同芯片上，通過編譯生成對應平臺的可執行代碼，你不會說“編譯器幫我重寫了軟件”。因為 specification 是存在的，“編譯器”只是幫它換了個載體。現在，通用大模型成了那個編譯器，在不同技術棧之間做遷移和轉換。

就像一本故事書，書本身不是產品，里面的人物、故事線、情節才是。至于是紙質書、電子書還是播客，差別不大。放到軟件里，用 Rust 寫、用 C++ 寫，或者換一個框架，本質上都是載體變化。

徐昊說，他在行業里嚷嚷快 10 年了：軟件不是產品，軟件中的知識才重要，應該更加注重軟件中的知識管理。現在 AI 終于讓它變成了顯學。

只談“重寫”，視角太狹隘了

如果從行業和社區的變化往前看，用 AI 來“重寫軟件”這個視角本身也窄了。

“重寫”默認有一個邊界清楚的軟件：Photoshop、ERP、數據庫、框架、編譯器。先有固定對象，再討論要不要換技術棧重新實現。但徐昊覺得，這個前提正在松動。未來很多軟件可能不再以固定邊界存在。

微軟和英偉達正在準備把 agent 做進操作系統內核。Agent 一旦進入操作系統，軟件入口就變了：過去是人打開應用、尋找功能；未來可能是人直接提出需求，系統現場生成能力。Hermes 這類系統已經在往這個方向走。很多 skill 不再來自下載，而是根據任務現場生成。這意味著，“應用程序”和“有固定邊界的程序”可能會徹底消亡。

而我們今天討論的“重寫”，前提是“有一個固定邊界的軟件需要被重寫”。如果這個前提本身正在瓦解，那“重寫”這個話題的格局就小了。

徐昊舉了 Photoshop 的例子。今天你說要重寫它，因為 4000 個功能需要復刻。但未來，它可能只需要最核心的圖像處理能力——你告訴 agent 要 P 圖還是創作，它當場給你生成幾個功能就夠了。

軟件的存在方式正在被重寫，而“重寫”這個概念本身，可能也只是一個過渡。

AI 能寫一切，但“老登”說了算

既然什么都能寫、什么都能重寫，那人的價值會發生什么變化呢？

二三十年 IT 經驗的滕昱說，AI 會給行業帶來極大變化，90% 到 95% 的程序員會受到影響。但“老登們（老工程師們）”還有希望——那些真正能做判斷、能掌舵的人。

滕昱最近兩個月寫了大量代碼，但不是直接寫。“誰還手搓代碼呢？只需要 review，做判斷。”

在他看來，Agent 寫代碼的能力已經超過絕大多數人，“所有還在學習中的新人、十年經驗以內的人，都沒 Agent 做得好。”

人寫代碼往往是 happy path 寫完，頂多再加幾條異常路徑，出了問題再補。但 Agent 不一樣，它不會偷懶，一寫就是三五千行，把所有路徑都堵上，在受過訓練的領域里，這是它的強項。但問題是，它不能掌握方向。

因為 AI 只有討好型人格，它是被一個沒有痛苦反饋的系統訓練出來的。面對一個復雜問題，它說不出口“我做不了，我不會”。相反，它會編答案，會忽悠你。你讓它改到第三遍還不對，它還會繼續給你一個看上去像那么回事的東西。如果沒經驗，你很容易被它忽悠，連測試它都能造假。

所以，做好的前提是有人掌舵。方向要自己定，設計要自己做——至少要給 AI 一個小設計，它才能做下去。那誰來掌舵？“老登”——只有那些踩過坑、做過決策、知道路通向哪里的老工程師，才知道該往哪個方向指。

黃東旭印證了這一點。他說，“我的觀點就是，它確實什么都能干，但人要負責判斷。”

因為它什么都能干、什么都能寫，知道的東西又非常多，所以人的判斷反而變得更重要。如果什么 input 都不給，讓它自己干，剛開始很快，幾萬行代碼的雛形一下就出來了。但越往后越推進不下去。這邊改好一點，那邊就崩了；那邊改好一點，這邊又崩了。甩手掌柜式的開發，做不了特別復雜的項目。

尤其是特別長、特別大的復雜模塊，就會考驗人的技術選型品位、經驗和判斷水平。

比如做數據庫內核設計，你得告訴 AI：parser、優化器、執行器這三大組件怎么拆，不能把所有代碼堆在一個大文件里；如果采用 volcano model，優化器該考慮哪些 metrics，什么算法最合適，參考哪篇論文、哪種實現——這些不能從書里抄來，得做了很多年內核才能知道。

另一類 Input 是軟件工程層面的代碼風格和技術選型：模塊不能嵌套太深，文件超過 2000 行就得拆，做網站用 Vercel、不要用別的，用 Postgres、不要用 MySQL。AI 可能全都知道，但它不知道“應該用哪個”。這些約束來自經驗，來自對“哪條路后面會省很多事”的判斷。

徐昊從另一個角度解釋了這件事。他說，敏捷軟件開發里早就講過一件事：開發過程中 80% 的工作是溝通、定義需求、定義驗收條件。寫代碼只是剩下那 20%。現在流行的 harness engineering，本質上做的是同一件事——定架構規范、編碼規范、架構分層，這叫前饋控制；后面寫驗收條件、寫測試，這叫反饋控制。這些本來就是工程實踐里該有的東西。

所以，程序員的工作從來就不是“寫代碼”。寫代碼是手段，不是目的。程序員的工作是寫正確的代碼，寫 ROI 最高的代碼，寫優先級最高的功能，為客戶交付價值。

如果一個人認為自己的工作就是寫代碼，徐昊說，“那這個人早就該被行業淘汰了，都不需要等到今天 AI 出現。”AI 只是把這件事變得不能再被忽視。

工具變了，但價值來源沒有變。開發者真正值錢的地方，始終是為客戶交付了什么，而不在于親手完成了什么動作。

唯一還值得吵的事：企業軟件維護

過去一年，軟件工程里的老規矩一條條在斷。技術棧鎖不住了。重寫沒那么可怕了。代碼也不值錢了。行業變了，開發者的價值也變了。軟件的護城河也變了——用 AI 把 Salesforce 重寫一遍自己用，聽起來好像也不離譜。

黃東旭反而說，這是創業最好的時候。寫代碼本身不再稀缺，真正知道自己要解決什么現實問題、能帶來什么業務價值的人，反而浮出來了。過去需要 1000 人解決的問題，今天兩三個人經驗豐富的人就可能搞定。所以對真正有 know-how、真正能解決實際問題的人來說，這是最好的創業時機。

徐昊的判斷也類似。他不覺得這是一個很爛的時代，反而覺得這是最好的時代。過去企業買標準軟件，常常要削足適履——上了 ERP，組織流程要遷就軟件；不上，規模大了又管不過來。SaaS 把流程做短了，但根本矛盾還在：每家企業都有自己獨特的運營模式，為什么一定要所有人適配同一套軟件？大模型把這個問題重新打開了。企業可以用更低成本做出真正適合自己運營方式的軟件。市場當然會洗牌，但沒有永恒的業務模式。

然而，新世界正在降臨，舊世界里的東西還沒消失。

新軟件可以重寫，但企業內部那些跑了十幾年、二十幾年的系統，不會因為一句“AI 什么都能寫”就消失。它們還在生產環境里，還在客戶機房里，還在承擔真實業務，還需要繼續維護。這也是很多老一代技術人沒那么樂觀的原因——、、 這些人擔心的，不是 AI 寫不出新代碼，而是它會把已有代碼庫變得更亂。

于是，兩種判斷在這里分岔： 一部分人看到的是未來，另一部分人看到的是現實。

徐昊屬于前者。他認為“維護”這個概念本身就非常“人類”——它的前提是“我要在現有代碼上修改”。但如果重寫的速度足夠快，為什么還要維護？他舉了編譯器的例子。以前程序員寫匯編，編譯完還要自己手動改。后來編譯器水平提高了，沒人再去改編譯器生成的匯編了。如今，也不會有人說要去維護編譯器生成的東西——想改，重新編譯一遍就行。

同理，那我們為什么還要去維護 AI 自動生成的代碼？“只要控制好上下文，把它置于 harness engineering 的框架之下，在每一個具體上下文里，生成的代碼行為都是可控、可驗證的。需要什么功能，重新生成就好了。”

他甚至認為，現在的 Agent 工具已經可以直接接管一個代碼倉庫。人只需做知識標注、補充業務上下文，Agent 就能圍繞倉庫中的文件進行閱讀、理解和索引，快速定位這些文件，并在上面直接修改。

只要一個已有代碼倉具備充分的上下文標注，并托管給 Agent，它就能像人一樣進行修改。

“現在絕大多數情況——至少據我所知，大部分企業——會逐步從手工寫代碼過渡到 Agent 托管。”新功能或新特性完全交由 AI 完成，這種情況確實存在。但更常見的工作形態是：以 Agent 托管為主，AI 改一部分，人則提供更強的 harness 或反饋。

直到有一天，AI 的理解能力足夠強大，能在代碼倉庫里完全獨立完成開發。到那時，就不再需要人類干預了，編程將完全由 AI 托管。至于這個代碼倉最初是人寫的還是 AI 寫的，已經不重要了。

滕昱的視角更貼近當下的現實。他說企業軟件很多都是屎山代碼，前后不一致的判斷太多，Agent 進去會精神分裂。Agent 確實能寫代碼，在本地當然也能讓代碼整體跑起來，可現在最大的問題是，一旦部署到客戶環境，出了問題，不能甩手不管，還是得自己登錄客戶環境去處理。

他也提到，前一陣和朋友聊天，對方同樣反映，AI 代碼上線后，bug 數量明顯增多，問題成堆。說白了這就是雙刃劍，最終責任還得由人來承擔。

問題在于，重寫和遷移的成本下降是有前提的——得是在基本完成同樣功能的前提下，基礎的編程語言和 framework 基本能做到 1 對 1 mapping 時才能成立。

可現實中，很多細微的語言級別和行為細節上，但凡不能做到 100% 兼容，都會出現看起來很美、跑起來崩潰的情況。這一點在代碼歷史包袱重的企業軟件上尤其突出：一旦有人把一個巨大重寫的 PR merge 進來，基本上當前這個 release 就要面臨延期的風險。

再比如，你讓 AI 重寫一個模塊，語法能編譯，單元測試能過，但一上線流量來了就崩。拿 JDK 升級來說，很多大版本升級都有語義差異，Java 的語義在不同版本間并不一樣，比如 virtual thread 這類特性。語法上可以編譯，剛跑起來也沒問題，流量一上來行為就不可控，出了事連 debug 都沒法做。

“今年下半年企業開發里一定會看到很多這種例子，”滕昱說道，“越是那種半懂不懂的人，反而越容易相信 AI，那就等著看笑話吧。”

聲明：本文為 InfoQ 原創，不代表平臺觀點，也不構成投資建議，未經許可禁止轉載。

會議推薦

2027 年，企業級 AI Agent 市場將達 655 億元。要想讓 Agent 跑起來，得先把 Infra 這條路鋪好。騰訊云最新白皮書出爐，深度拆解 Agent Infra 落地路徑，從趨勢、能力到案例，一站式解決企業 Agent 落地痛點。點擊【閱讀原文】或掃碼下載，一鍵獲取干貨