生成式 AI 省下的代码，谁来补成经验

DORA 报告里有一组数字挺扎眼。生成式 AI 采用度提升 25%，交付吞吐率反而下降 1.5%，交付稳定性下降 7.2%。McKinsey 的数据说复杂任务开发时间减少 12%，中等任务减少 10%。MIT 的研究也提到，经验少的开发者更爱用 AI，生产率提升也更明显。

这几组数字看起来打架，其实不矛盾。AI 省的是打字、查接口、补样板的时间，理解系统的时间省不掉。我这边做飞控和传感器融合，最近一个月把 IMU、北斗模块和 Arduino 小样机串起来跑过。让 AI 帮忙生成一个滤波框架很快，几十分钟就能有个能编译的壳。麻烦在后面。数据什么时候可信，什么时候该降级，什么时候该进安全模式，AI 不会替你背锅。

短期看，生成式 AI 会先把 junior 的门槛抬高，也可能把成长路径掏空。以前新人要写接口、补单测、看日志、跟产品吵字段。慢是慢，这些脏活却是经验入口。现在一个提示词就能出模块，看起来比三年前的人快很多。问题是，他跳过了自己把坑填上的过程。代码能合进去，不等于他知道为什么这么合。

长期看，问题会变成谁来做 senior。资深工程师的价值，在于需求模糊、信息不全时判断风险。飞控里最怕这种判断。电机失控、IMU 跳变、通信延迟、OTA 升级失败，很多时候问题出在工程边界没守住。边界感怎么来？只能从一次次线上排查、回滚、复盘里长出来。

放个对比。

阶段	AI 帮到的地方	可能丢掉的东西
入门	语法、样板代码、测试用例、接口草图	排错手感、边界意识、责任归属
落地	方案草案、文档整理、跨语言拼装	异常恢复设计、长期维护成本

这张表不一定全对。我觉得核心在于，生成式 AI 把写出来变便宜了，把想清楚变贵了。

做实时系统久了，我特别在意延迟。一个中断晚 1ms，控制律可能就不稳。代码生成也有延迟问题。AI 输出快，但人如果少了自己推导一遍，认知延迟会被推到线上。到了线上，慢半拍会变成事故。

公司层面不能只看提交代码量、PR 数量、生成行数。更该看接管率、回滚率、事故归因，以及新人是否还愿意做低价值任务。我前几天写过一篇讲 FSD 进第六国，关键不在聪明，在合规节拍。开发者成长其实也是节拍问题。节奏太快，基础没打牢。节奏太慢，业务等不起。

Robotaxi 和飞控一样，展台 demo 好看没用，真跑起来才看节拍。开发者成长也一样，要看明天能不能独立兜住一个模块。今天多了多少行代码，没那么重要。

往后看，junior 岗位可能减少，但不会消失。消失的是只会把 prompt 转成代码、不会把代码转成判断的那部分岗位。剩下的 junior 会像早期飞控测试员，必须更快学会读日志、读波形、读事故报告。只读模型输出，不够。

---

📌 本文编译自 Hacker News，原文：https://eng.snu.ac.kr/en/communication/promotion/news?md=v&bbsidx=8355

版权归原作者所有，本文为基于公开报道的编译与独立分析。