前几天《深度长文分析｜软件股暴跌背后，AI时代哪些公司能活下来》引发广泛讨论，今天我们进一步深度探讨：当软件开发成本无限趋近于0时，软件的真正价值究竟在何处？去年我曾写过《深度分析｜当AI时代软件成本趋于零时，商业模式会有哪些变化？》，感兴趣的朋友可延伸阅读。

一个值得深思的问题：十个人能不能重建DocuSign？单从代码层面看，答案或许是肯定的，但核心矛盾不在于“能否写出代码”，而在于“这十个人会把时间花在哪里”。他们绝不会沉迷于敲代码，而是聚焦于辩论边界情况、合规要求、信任保证、可审计性、错误语义、用户体验，以及不同法律环境下“签名”的核心定义。本质上，这无关执行能力，只关乎判断力。

近期读到Sarah Guo的文章，其中一个观点彻底颠覆了我对软件开发演进的认知：当代码变得廉价时，judgment（判断力）才是真正的工作。在软件行业的漫长历史中，“执行”一直是稀缺资源——写代码耗时、昂贵，且受限于人的产出效率，彼时最大的难题是“让软件本身存在”。但AI coding agents（AI编程代理）正在反转这一逻辑：代码如今可快速、廉价、大规模生产，执行不再是瓶颈。尤其是对前沿团队而言，最终结果的好坏，更多取决于协调与判断能力，而非打字速度。

我对这一转变的理解是：我们正经历软件开发的范式转移——从“稀缺性经济”转向“丰富性经济”，其影响远比多数人预想的更为深远。当某类资源从稀缺变为丰富，价值便会向其他领域转移。放在软件行业，价值正从“能不能写出代码”，彻底转向“知不知道该写什么代码”。这绝非微小调整，而是整个行业底层逻辑的重构。

从执行到意图的转变

Sarah Guo在文中指出，当软件变得丰富，“清晰表达intent（意图）”的能力反而会成为稀缺品。有人将其解读为“创意胜过执行”，但这完全偏离了核心。在真实的软件系统中，大多数关键意图都具备深度技术性——包括积累的上下文、系统知识，以及关于权衡取舍的判断。工作从未消失，只是从“执行”转移到了“澄清判断”。

这一点我深有体会。过去几个月使用AI编程代理时，我发现自己花在引导、纠正代理上的时间，与直接写代码的时间几乎持平。起初我误以为是自己操作不当，后来才意识到，这种现象恰恰暴露了一个关键问题：系统中存在大量我“隐性理解，但从未清晰表达”的内容。软件开发的核心工作，已从“打字写代码”，转向“明确判断、澄清意图”。

举个例子：当你告诉一位资深工程师“让这个功能更快”，他不会将其当作字面指令执行。他会主动推断上下文：是延迟更重要，还是吞吐量更关键？“足够快”的量化标准是什么？哪些权衡是可接受的？甚至会质疑“让功能更快”这个需求本身是否合理。但AI编程代理不具备这种背景认知：要么你指令不够详细，得到一个看似合理、实则错误的结果；要么你指令过于繁琐，花在写提示上的时间比直接写代码还多。

软件的丰富性，让这种“意图与执行的鸿沟”变得格外明显。执行错误的意图成本极低，意味着“意图与需求不对齐”的问题会快速暴露——这其实是一件好事。过去，错误的决策可能要等到系统上线运行许久后才会显现；如今，AI能快速将想法转化为代码，我们能更早发现自己的想法是否清晰、是否正确。这种快速反馈循环，本质上在加速整个行业的学习与迭代。

什么是“不可接受的代码”

Sarah Guo提出了一个极具洞察力的概念：随着AI编程代理能力的提升，软件开发的主要失败模式已发生改变。问题不再是“代码崩溃”，而是“不可接受的代码”——这类代码能运行、能通过测试、看起来毫无问题，但违背了系统的隐含契约。在实践中，这通常意味着打破了那些“未被写下来，但通过经验积累的invariants（不变量）”，比如关于幂等性、顺序、失败语义、数据完整性或遗留耦合的潜在假设。

这让我想起了实际项目中的无数困境：有些代码看似正确，却跨越了不该跨越的边界、优化了错误的维度、引入了脆弱的抽象、处理错了边界情况，或是悄悄堵死了未来的迭代可能。资深工程师会拒绝这类代码，不是因为它“不正确”，而是因为他们知道“这样的代码无法长期维护”。正确性与可接受性之间的鸿沟，正是“工程意图”的价值所在——而这，恰恰依赖于人类的判断力。

这一观察之所以深刻，是因为它触及了软件工程中最难以量化的核心——品味。所谓品味，就是知道“什么技术在理论上正确，但不适合当前系统”。这种判断力无法通过测试用例捕获，也难以形式化，它源于对系统的深层理解、对过往失败经验的总结，以及对长期维护成本的直觉。

Sarah Guo在文中提到，许多快速增长、拥有数百名工程师的公司，正面临这样的问题：早期系统由判断力尚在成长的团队快速搭建，代码能运行、能支撑初期扩张，却成为了后续迭代的“技术债务”。当AI编程工具普及后，它们会忠实地复制这些早期的不规范模式——临时决策变成默认逻辑，不合理假设被反复复用。久而久之，哪些架构选择是偶然的、哪些假设未经过验证、哪些决策承载了超出预期的权重，都会一一暴露，最终拖慢整个团队的效率。

这背后藏着一个深层真相：自动化会放大任何已存在的系统结构。当这些结构是“隐性”的（比如未被明确的假设、不规范的习惯），自动化会让它们变得“显性”——这既是机会，也是风险。机会在于，团队可以借此发现那些长期被忽视的问题，有意识地保留合理部分、修改不足部分、丢弃错误部分；风险则在于，若没有意识到这一规律，AI会将原本的技术债务放大十倍，最终积重难返。

并非所有代码都同样可规范化

Sarah Guo提出了一个实用的框架，帮助我们理解AI编程代理的能力边界——这是一个基于“意图明确性”和“稳定性”的谱系，从易到难可分为六个层次：

1. 极易规范化：如数据库、编译器、协议，意图可形式化、可直接检查；

2. 操作性规范化：如持续集成、ETL（数据提取转换加载）、CRUD服务，核心在于范围控制；

3. 测试锚定：如业务逻辑、bug修复，部分意图可通过测试用例捕获；

4. 品味密集型：如重构、API设计、抽象设计，规范与判断力成为核心；

5. 以人为中心：如产品逻辑、用户体验、命名规范，意图会随需求持续演化；

6. 难以规范化：如架构设计、策略制定，意图存在于代码之外，依赖深层领域认知。

沿着这个谱系向下移动，AI的局限性会越来越明显——失败不再表现为“bug”，而是表现为“无法让人信任的代码”。这个框架的价值的在于，它能帮我们清晰判断：哪些工作适合委托给AI，哪些工作必须人类深度参与。而这种“判断能力”，本身就是AI时代工程师必备的新技能。

核心洞察是：AI编程代理并非在所有编程工作中都同样有效。它们在“意图可明确表达”的领域表现出色，但在“意图依赖隐性知识和工程品味”的领域，往往力不从心。对工程师而言，学会“分工”——让AI做执行，让人做判断——已成为核心竞争力。

从个人技能到组织能力

Sarah Guo的一个观察令人深思：如今有些ARR（年度经常性收入）超过1亿美元、快速增长的公司，计划将工程师规模控制在100人以内——核心原因是，每个人都在“并行表达意图”的极限上高效运作。这些公司中，最优秀的团队不是“能写出更好的prompts（提示词）”，而是“能更好地管理意图”：他们只指定结果、不限制步骤，尽早暴露潜在假设，保持代码差异小而可审查，推动更简洁的解决方案，并且像对待不可信的代码提交一样，严谨审核AI的输出。

这让我意识到：软件开发正从“个人技能驱动”转向“组织能力驱动”。过去，一家公司的工程实力，主要取决于能招到多少优秀的个人贡献者；如今，更取决于能否构建一套系统和流程，来捕获、传播和放大“判断力”。

Sarah Guo提到，在快速增长的初创公司中，资深工程师正逐渐减少“逐行阅读代码”，转而依赖测试和实时系统来验证代码合理性。她分享了一个有趣的案例：一位工程师曾通过“每审核一个小型代码提交，就吃一颗M&M”的方式，保持代码提交的简洁性；如今，他的“奖励机制”变了——每当系统确认约束生效（如金丝雀部署稳定、回滚成功、不变量触发预期），他才会吃一颗M&M，而现在他需要一个更大的碗。

这个比喻生动地展现了“验证重点的转移”：从“验证代码本身是否正确”，转向“验证代码在系统中的行为是否可接受”。在代码丰富的时代，逐行阅读所有代码既不现实，也不必要；真正重要的，是建立正确的约束和检查点，让系统自己“证明”其行为符合预期。

Sarah Guo将这种能力称为“judgment engineering（判断力工程）”——即将人类积累的经验，转化为系统和团队可遵循的显式约束、测试标准和边界规则。做好判断力工程，能让高质量的决策，在不同人员、不同时间、不同系统中重复落地，实现规模化复用。

我认为，这个概念精准捕捉了软件工程演进的本质：我们正在从“写代码”的时代，全面转向“编码判断力”的时代。这并非说写代码变得不重要，而是说，最高杠杆的工作，已从“执行代码”转向“将人类的判断系统化、可重复化、可扩展化”。这种转变，对工程师的技能提出了全新要求：不仅要懂技术，还要能清晰阐述“为什么这个技术选择是对的”，能将隐性知识转化为显性规则，能设计出“捕获判断力”的系统。

从软件团队到软件密集的世界

Sarah Guo提出一个关键趋势：当编写和维护代码的成本大幅下降，组织不再纠结于“某件事是否可以自动化”，而是开始思考“某件事是否应该自动化”。软件正快速渗透到过去难以覆盖的领域——内部工作流、边界情况、特定领域流程，这些过去因成本过高、落地过难而无法编码的场景，如今都能借助AI实现低成本落地。

像CRM（客户关系管理）、HRIS（人力资源信息系统）这样的工具，从外部看似乎简单直接，但它们背后，是数千工程师年的投入——编码业务逻辑、处理例外情况、完善约束规则，而这些经验，都是通过“试错”积累的。软件的丰富性，不会抹去这些过往的努力，而是会改变“这类判断落地的速度和范围”。

在软件密集的世界里，价值不再主要集中在“单个工具”上，而是集中在“决定哪些决策被自动化、在什么约束下自动化”的人身上。这是一个核心洞察：当更多事物被软件化，新的瓶颈便会显现——“能否形成正确的意图”。足够了解一个领域，能从客户口中提取“真实期望”（理解他们“真正想要什么”，而非“嘴上说什么”），这种能力会变得越来越有价值。

这让我大胆推测：软件丰富时代的赢家，未必是技术最强的公司，而更可能是“最懂业务、最能将业务理解转化为清晰意图”的公司。技术执行能力正在被商品化，而对问题的深度理解、对客户需求的敏锐洞察，依然是稀缺资源——这，正是软件真正的价值所在。

Sarah Guo认为，AI模型或许会在“形成意图”上提供更多帮助：暴露逻辑不一致、测试需求解释、让潜在假设显性化。但这种帮助能走多远，目前仍是一个开放问题。不过可以肯定的是，所有下游工作，都是从“形成正确的意图”开始延伸的。我认同这一观点，且始终认为：至少在可预见的未来，“形成正确的意图”依然需要人类的深度判断。AI可以帮我们更快迭代、更早发现问题、更系统地测试假设，但它无法替代对业务的深度理解，也无法替代对客户需求的敏锐洞察。

瓶颈在哪里

Sarah Guo的结论极具冲击力：软件丰富迫使“意图”浮出水面。随着自动化程度提升，判断力开始扮演“类型系统”的角色——它定义了“什么是允许的”“什么可以安全组合”“失败会在何处显现”。弱判断力会允许“几乎任何代码运行”，最终导致错误扩散；强判断力则能在错误蔓延前，提前排除一整类问题。在代码丰富的时代，判断力成为了“杠杆的核心单位”。

我对此深以为然。代码稀缺时代，杠杆来自“能写出代码”的能力；代码丰富时代，杠杆来自“知道该写什么代码”的判断力。这种转变，不仅发生在个人层面，更席卷了组织层面、行业层面，重塑着整个软件行业的规则。

这一转变，也让我不断思考它对软件工程师职业发展的影响。过去，成为优秀工程师的路径清晰可循：学习编程语言、掌握算法与数据结构、理解系统设计、积累项目经验。这些能力如今依然重要，但已不再足够。现在的工程师，还需要学会清晰表达意图、将隐性知识显性化、设计捕获判断力的系统、在人类与AI之间高效分配工作。

这对工程教育也提出了新的挑战：我们不能再只教学生“如何写代码”，更要教他们“如何思考代码背后的意图”“如何评估不同实现的权衡”“如何在系统层面做出正确判断”。这些过去被视为“高级工程师专属”的能力，如今已成为工程师的基础素养。

对公司而言，这种转变意味着需要重新思考“如何评估和培养工程人才”。单纯以“代码产出量”衡量工程师价值，已不再有意义。真正值得关注的维度是：这个人能否清晰表达意图？能否做出高质量的判断？能否将判断系统化？能否高效与AI编程代理协作？这些，才是AI时代工程人才的核心竞争力。

而从行业竞争格局来看，当代码变得廉价，竞争优势便从“执行能力”转向“判断力”。那些拥有深度领域知识、能清晰表达业务需求、能做出精准技术判断的团队，会获得巨大优势；反之，那些只擅长执行、缺乏判断力的团队，其优势会逐渐消失，最终被行业淘汰。

我的一些深度思考

读完Sarah Guo的文章后，一个问题始终在我脑海中盘旋：这种转变，到底是让软件开发变简单了，还是变复杂了？表面上看，代码更容易写了，似乎是“简化”；但实际上，对“意图清晰性”和“判断力”的要求大幅提升，又像是“复杂化”。

我的结论是：这种转变降低了“进入门槛”，但提高了“能力天花板”。写一个能运行的程序，变得比以往任何时候都容易；但写一个优秀的、可维护的、能长期可持续迭代的系统，变得比以往任何时候都难。因为当“执行”不再是瓶颈，所有隐藏的问题都会浮出水面：你真的理解用户的核心需求吗？你的解决方案真的是最优的吗？你考虑到所有边界情况了吗？你的设计能适应未来的需求变化吗？这些问题，才是软件开发的核心，也是判断力的价值所在。

这让我想到了一个普遍规律：每当某项技术让某种基础工作变得更容易，它一定会提高对“高阶能力”的要求。文字处理软件让打字变得简单，却提高了对写作能力的要求；搜索引擎让查找信息变得简单，却提高了对信息筛选和批判性思维的要求；如今，AI编程代理让写代码变得简单，也必然会提高对“判断力”和“意图清晰度”的要求。技术的进步，从来不是“降低所有要求”，而是“转移核心能力的重心”。

另一个值得思考的问题是：这种转变对不同经验水平的工程师，影响有何不同？对初级工程师而言，AI编程代理是强大的加速器——能帮助他们快速学习、快速产出，缩短成长周期。但风险在于，若过度依赖AI，可能会错过“手动写代码、积累底层认知”的过程，难以建立对系统的深层理解，最终沦为“AI的操作工”。对高级工程师而言，AI能帮他们摆脱繁琐的执行工作，聚焦于更高层次的设计、判断和决策，但也要求他们将过去“隐性的经验”，转化为“显性的规则”，这无疑是一项新的挑战。

我认为，成功适应这种转变的关键，在于找到“人类与AI的最优协作模式”。既不是将所有工作都交给AI，也不是完全拒绝AI，而是清晰界定各自的优势与局限：人类擅长判断、理解上下文、做出权衡决策、洞察客户真实需求；AI擅长快速执行、处理大量细节、探索多个实现选项。最好的结果，永远是两者的有机结合——让AI做“执行层”的事，让人做“决策层”的事，实现1+1>2的效果。

最后，我想说：软件丰富时代的到来，不是软件工程的终点，而是一个全新的起点。它开启了一个新的竞争维度——在这个维度上，判断力成为最稀缺、最有价值的资源。过去，软件的价值在于“能解决什么问题”；未来，软件的价值在于“能以怎样的效率、怎样的质量，解决真正有价值的问题”。而这一切，都依赖于人类的判断力。

这场转变，是对整个软件行业的一次试炼。它会淘汰那些“只懂执行、缺乏判断”的工程师和团队，也会奖励那些“深耕领域、培养判断、建立系统化思维”的人和组织。这不是技术取代人，而是“更高层次的人类能力”——判断力、洞察力、创造力——变得更加重要。

当AI让代码变得廉价，软件真正的价值，从来不在代码本身，而在代码背后的“判断力”，在对业务的深度理解，在对客户需求的敏锐洞察，在那些AI难以替代的人类智慧与经验之中。