软件工程的“草台班子”如何不被 AI 取代？

随着技术的飞速发展，AI 浪潮正在重塑行业格局，工程师们站在变革前沿，机遇与挑战并存。一方面，强大的 AI 正在冲击着工程师的传统工作领域；另一方面，AI 又给很多工作带来了新的可能。那么，如何让 AI 成为自己发展的“助力”而非“阻力”呢？

近日 InfoQ《极客有约》X QCon 直播栏目特别邀请了美团研究员丁雪丰担任主持人，和华为云计算服务产品部软件专家张建飞、正马软件 CTO 沈淦 一起，在 QCon 全球软件开发大会 2025 北京站即将召开之际，共同探讨 AI 时代下工程师的应对法则。

部分精彩观点如下：

• 如果一项工作很容易被 AI 取代，那么你应该反思一下，可能这项工作本来就不是你的强项。

• Vibe Coding 的方式对于那些有 idea 但编程能力不强的人帮助很大，对于有较强编程能力的人来说也是有效的。

• 关键在于抓住用户痛点，编程不再是障碍。

• 软件工程其实就是一个“草台班子”，看起来很工程化，实际上充满混乱和无序。

• 多强迫自己和 AI 对话，少埋头写代码。

• 真正的学习能力不仅仅是学习，还包括求证的习惯。

在 4 月 10-12 日将于北京举办的 QCon 全球软件开发大会 上，我们特别设置了【不被 AI 取代的工程师】专题。该专题将分享 AI 时代下研发工作模式的实践，并深入探讨工程师该如何应对变化和挑战，实现与 AI 共生共荣。

查看大会日程解锁更多精彩内容：https://qcon.infoq.cn/2025/beijing/track

以下内容基于直播速记整理，经 InfoQ 删减。

AI 将取代工程师？

丁雪丰： 首先我们来个热身话题，说说现在行业的一些情况。今年刚开年的时候，扎克伯格就宣布 Meta 今年要用 AI 取代中级软件工程师，同时，Salesforce 方面也表示今年不再招聘软件工程师，这些林林总总的消息，似乎都在进一步透露出“AI 将取代很多软件工程师”的未来，于是，在技术圈，这波因为 AI 大幅提升生产力的兴奋之下，也不免充斥着一些焦虑。

从各位近期的观感来看，关于“AI 取代工程师”的话题，真的有那么让人焦虑吗？AI 的引入对初级和中级工程师的就业来说具体有什么影响？

沈淦： 一线同事关注提高效率，而管理者则更看重整体的投资回报率（ROI）。举例来说，使用 AI 辅助一个全新的系统效果明显，因为它不依赖外部调用，功能直接。例如，简单的增删改查应用效率提升非常快。但在老旧系统中，修补和调整的工作更多，这对新手来说，使用 AI 辅助的挑战较大。而管理者的职责是准确划分任务，明确封闭性和开放性问题。

张建飞：事实上，很多科技公司目前都在控制人力成本，这与是否能被 AI 取代没有直接关系。特别是 Salesforce，一直专注于 SaaS 业务，产品成熟后，确实不需要那么多工程师。短期内，尤其是在生成式 AI 尚未成熟之前，软件工程师很难被取代，通用人工智能的实现还需要很长时间。

AI 可以生成一些简单的代码，但这通常是一次性生成，除非不再修改，否则后续的维护和改动仍然需要人工干预，你无法通过 AI 自动生成和维护一个复杂的软件系统。软件开发的大头并不在首次编写代码，而是把 80% 的精力都放在后期的维护、修 Bug。根据现有的编程范式，我还没有看到 AI 能够很好地承担后期维护工作。当然，AI 作为一个提高效率的工具，用于辅助编程是没有问题的。

丁雪丰：以前我和别人讨论过一个故事：两个人在森林里遇到了一只老虎，一个人转身就跑，另一个人问他：“我们跑不过它，你跑什么？”他说：“只要跑得比你快就行。”其实，与其担心是否会被 AI 取代，不如想想，最终打败我们的可能不是 AI，而是身边那些更会使用 AI 的人。我们可以看到身边的同事在使用 AI 时，能够提供更好的提示词和输入，清楚地拆解任务，然后借助 AI 完成工作。相比之下，刚刚进入这个行业、仍在处理简单任务的人，可能会感受到 AI 带来的生产力差异。

如果一项工作很容易被 AI 取代，那么你应该反思一下，可能这项工作本来就不是你的强项。我认为 AI 并不是要取代软件工程师，而是帮助提升大家的生产力。越有经验的人，越能更好地利用 AI。而对于初级程序员，AI 也能帮助提升他们的工作效率和质量。因此，我们可以将 AI 视为一个辅助工具，像伙伴一样合作。

张建飞：软件开发不仅仅是写代码，这只是其中的一小部分。它还涉及到权衡、思考、设计、架构，特别是在复杂场景下的解决方案，甚至包括协作和沟通等因素。

丁雪丰：毫无疑问，AI 的迅速发展能让工程师的效率大幅提升，提升生产力。抛开对于被取代的焦虑和讨论，其实对于工程师来说，享受这些 AI 带来的好处，享受当下、利用好 AI 或许才更实际。那么，AI 对软件开发流程是否有明显的“重塑”？以及工程师在其中可以怎么利用好 AI 快速推进项目、同时自己也能从中获益 / 有所提升？

张建飞：在华为，我们有一个叫 Code Submit 的工具，类似的工具在我们的编码过程中会结合代码的上下文，实时给出提示，并且随着使用，工具的优化使得它能猜测你接下来要写的内容，这提高了工作效率。另外，我现在也经常使用代码审查工具。我会先让 AI 扫描代码，然后查看它认为较为关键的问题，这可以在审查时节省大量时间。

还有一个最近的故事，我妻子在一家设计公司工作，最近他们接到一个丝绸公司的项目。设计公司本来是通过手绘进行设计，但这个项目要求不仅仅是图片，还要将图片转化为丝绸织物，这就需要编程来实现。她的老板知道我从事这一行业，便问我是否能帮助实现。实际上，我对计算机绘图并不熟悉。于是，我拿着他们的样例图片去询问豆包和 DeepSeek，经过几天，我成功开发出了一款基于贝塞尔曲线的计算机绘图工具，满足了他们的需求。对于不熟悉的领域，AI 对我帮助非常大，否则我以前可能会依赖百度或 Google，但效果并不如意。

沈淦：在我们具体的项目应用中，大多数项目不是纯粹的 AI 项目，而是把 AI 能力以插件形式集成到现有工作环境中，我们的做法主要是将 AI 与现在的工程体系及整个开发流程（pipeline）结合。

在敏捷开发的过程中，很多环节看起来设计得很好，但实际操作起来并不容易，例如代码审查环节，虽然我们推行过一定的标准，但实际执行效果有限。不过，随着 AI 的介入，这些环节变得更加扎实，尤其在敏捷开发过程中，它对整体推进有很大的帮助。

另外，AI 对开发过程中的“左移”也有很大帮助。例如，接口开发和测试的左移，AI 辅助的效果尤为明显。我们鼓励每个开发者提交并使用 AI 工具，并通过统计使用率来评估效果，而不是仅仅关注最终的确认率。这样，我们可以在关键环节通过 AI 工具实现敏捷开发中的常见做法，并将其做得更扎实。这对团队帮助很大，特别是一些做得比较好的团队，他们将从需求开始到发布的整个过程基于用户故事进行管理。过去这些环节依赖人工，工作量很大，而有了 AI 的帮助，效率和效果都显著提升。

丁雪丰：美团也有内部的工具。在我们的工作中，有些接口代码是自动生成的，AI 的帮助使得很多项目的代码生成更加高效，尤其是对于新项目，AI 可以通过无代码的方式直接帮助我们生成整个项目。效果整体来看不错，日常编码中，大约有 30% 的代码可以直接通过 AI 辅助生成。

我写 Python 代码时，AI 可以根据我的需求自动生成项目结构和代码文件，包括确认所需的库和版本，这对于日常琐碎任务的效率提升非常显著。如果是一个正式的工程项目，AI 也能根据需求自动生成和修改代码。在调试时，以前我们可能需要在 Google 上搜索问题，最终到 StackOverflow 复制粘贴代码，但现在直接右键点击，AI 就可以为我们提供解决方案，极大地简化了调试过程。

观众：怎么用 AI 做 Code Review？

张建飞： 在整个开发流程中，代码审查非常重要。谷歌提出了代码可读性的审查标准，要求代码必须通过审查才能合并到库中。华为也借鉴了这一思想。在提交 MR（合并请求）时，我们有自己的 Git 分支，原则上代码需要由提交者或代码仓库的负责人进行审核。通常，至少需要两个人确认代码无误，才能合并。

我们之前的流程是：在审查过程中，发现问题直接评论，并要求开发者修正。只有在问题解决后，才能点击合并。现在，我们将 AI 工具集成到这个环节中，使用 CodeMat 工具进行自动化审查。该工具会自动标出潜在问题，我会先查看这些问题，若有效则直接接受，否则继续手动审查。

工程师的核心竞争力在哪？

丁雪丰： 接下来，我们来讨论今天的第三个话题——工程师核心竞争力的再定义。现在硅谷也兴起了新型开发模式“Vibe Coding”，所谓氛围编码或随性编码，由 OpenAI 联合创始人 Andrej Karpathy 所提出，Vibe Coding 基于对话和反馈循环，会更注重开发者和 AI 的互动。但也有观点认为，过度依赖 AI 可能导致对系统架构的理解不足，也会引入许多问题。所以，在各位看来，在 AI 的辅助下，工程师应重点培养哪些核心能力以保持竞争力？如何看待“Vibe Coding”对传统编程范式的冲击？

沈淦：Vibe Coding 的方式对于那些有创意但编程能力不强的人帮助很大，对于有较强编程能力的人来说也是有效的。我最近在做一个研究项目，涉及到一个复杂的前端界面模拟。虽然我不是前端工程师，但通过 AI 工具，我只需简单描述，工具就能快速生成前端界面，这让我验证其他部分想法时更加高效。对于有一定工程素养的人来说，描述清楚后，AI 可以在半小时到一小时内完成整个界面的生成，这种方式对探索新事物和创意实现非常方便。

丁雪丰： 关键在于抓住用户痛点，编程不再是障碍。

沈淦： 简单应用是可行的，但复杂应用，尤其是逻辑复杂的，仍然有门槛。

张建飞： 低代码和 Vibe Coding 让我想起了之前被广泛讨论的 Codeless。虽然低代码有其应用场景，但当复杂度达到一定程度时，低代码其实只是更复杂的代码，它并没有真正简化开发流程。因此，对于复杂应用，AI 目前还难以处理端到端的功能，尤其是商业级复杂系统。Vibe Coding，其实类似于 Prompt Engineering，和 AI 辅助编程并没有本质区别，都是基于意图的编程。

沈淦：Vibe Coding 指的是完全通过口语描述来实现编程，几乎不需要写代码。

张建飞： 这是目前无法实现的，就像低代码一样，复杂系统无法通过这种方式完成。

丁雪丰：Vibe Coding 的应用场景，包括非技术人员参与、快速原型开发和教育协作。但对于复杂业务需求，AI 生成的内容仍然有限，特别是当需求没有明确时，AI 生成的东西往往无法满足真正的需求。

张建飞： 这确实是一个挑战，尤其是产品经理自己都不清楚需求时，AI 无法提供有效帮助。

丁雪丰： 除此之外，AI 无法替代我们承担责任。它不能签字，出了问题，更不能找 AI 来背锅。按这个逻辑，大概程序员永远不会被取代吧。

张建飞： 软件工程其实就是一个“草台班子”，看起来很工程化，实际上充满混乱和无序。需求不清楚时，AI 无法帮助生成准确的代码。

丁雪丰：程序员和 AI 的区别在于，我们能更好地理解需求背后的意图。往往需求本身并不完全是问题所在，我们通过理解背后的真正意图，可以找到更有效的解决方案。

张建飞：AI 可以帮助我们梳理需求，它能够考虑我们可能忽视的点并提供反馈，尤其是在深度思考和需求解析方面。

观众：未来两年程序员被 AI 取代的概率有多大？

沈淦： 大多数被取代的可能是那些依赖经验的初级程序员，因为这些人更多的是处理非工程类的工作。随着 AI 的发展，这些工作可能会逐渐被自动化。我对 AI 的看法比较积极，认为它会对软件行业带来巨大的价值。AI 能够将我们之前的“草台班子”式的工作方式逐步转向更加工程化的方向。就像工业革命一样，AI 为我们的工程化能力提供了强大的支持，这使得我们能够朝着更高效的生产力和规模化方向发展，特别是敏捷之前不容易做到的环节现在借助 AI 来推动的话，门槛变低了很多。

所以我认为，AI 不会取代所有程序员，尤其是那些有经验、擅长处理复杂问题的程序员。反而，随着工程化的提升，这些程序员会变得更加重要。AI 的到来将解放更多的人的工作，使得整体工作效率大大提高。

丁雪丰：AI 确实提高了效率，但提效不意味着工作快速完成后就可以休息。反而是 AI 提高了生产力，本来一天能完成一个需求，现在可以完成两个需求。

回到前面讨论的 Vibe Coding，假设需求依旧如常，但如果我们再往前想一步，假设这个需求也是由 AI 生成的。那么，是否可能是产品经理通过 AI 生成需求，程序员只需讨论或者甚至不需要介入，产品经理直接让 AI 实现需求？这就可能带来一种不同的场景，和我们现在讨论的有所不同。也许每个工程师的角色会转变成，如何让 AI 理解并执行 AI 生成的需求，这可能是未来的一种新情况。

沈淦： 效率优先的环节将逐步被 AI 接管，最终有可能完全由 AI 掌控，而人类则只会出现在那些效率优先环节无法满足的任务中。

丁雪丰： 现在我们还在用传统软件开发流程思考这个问题，但未来，流程也许会变得不同，可能会变成一个面向 AI 的、AI 原生的流程。现在应该已经有一些开发 Agent 或者软件相关的研究正在尝试这个方向。这不一定是颠覆性的，而是新的尝试或工作方式。随着新一代同学进入职场，他们从学习阶段就接触 AI，因此他们的思考方式和工作方式会和我们现在大不相同。那时，可能连 Vibe Coding 都不再是主流，生产方式和模型可能会完全不同。

张建飞：我刚才提到的编程范式，确实是基于我们这一代人的思维和几十年前图灵机的基础。但不排除有一天，编程不再需要理解代码，出现全新的范式。

沈淦： 我们常说“一次编写，到处运行”，AI 也有类似的尝试，被称之为“再生式编程”，就是每次都根据功能需要重新生成完整的代码，甩开对遗留代码的依赖，认为完备的功能描述才是关键，代码本身并不重要。他们每次只需要通过提示词，就能生成全新的应用，而不再需要像现在一样进行迭代或重构。每次生成全新应用的好处在于，如果效率足够高，重新生成比修补原有代码更高效。虽然现在我们不敢完全采用这种方式，因为重新写代码太费力，但如果效率提升到一定程度，完全可以考虑这种方法。

张建飞： 我不确定这种方法现在的发展情况如何，但我之前提到过，生成一个简单的项目可能没问题，但对于稍微复杂的应用就难度很大了。就像我们做电商一样，每当你在页面上点击一个请求，背后涉及的路径和技术点是非常多的。如果能够做到每次生成这些复杂的内容且不重复，那的确是一个突破。

张建飞： 前几天我面试了一位来自美国特斯拉的工程师，特斯拉是埃隆·马斯克的公司，而我对马斯克的工程文化非常感兴趣。当马斯克收购推特时，他裁员了 85%，只留下写代码的员工，并要求所有人一个月内必须有代码产出，否则就会被裁掉。我认为，马斯克是一个非常看重工程师文化的人。我面试特斯拉员工时，基本没问技术问题，而是问了很多关于软件工程文化的问题。我问他怎么评价特斯拉的代码，他说了一些优点，也提到了一些不足。给我印象最深的是，他提到，特斯拉发展非常快，这也意味着代码更新很快，常常攒出来的代码不一定是最优化的。从我接触的全球公司来看，包括国内外的大厂，如 Google 等，似乎没有一个能做到完美的软件开发。

丁雪丰：大家认为现在的工程师，尤其是刚入行的、中高级工程师，甚至是更资深的专家，应该关注哪些能力的提升呢？未来五到十年，可能会有更多人是 AI 原生的一代。那么，现在我们应该重点关注哪些核心能力，以便更好地适应这个变化的时代呢？

张建飞： 我看到有同学提到一个问题，说现在很多大公司只招具有 AI 能力的工程师，感觉很多职位都与 AI 相关。我认为，AI 工程师和有 AI 能力的工程师是两类人。例如，AI 相关的工作可能包括大模型的开发、底层计算相关的工作，或者模型微调等。这一波 AI 技术，尤其是 RNNs 的应用，肯定会带来需求的增长，随着 AI 技术的广泛应用，对 AI 工程师的需求会进一步增加。

但对于我们更多的系统工程师或应用开发工程师来说，我认为具备 AI 能力并不像大家想象的那么难。如今，AI 辅助工具已经帮助我们提升了工作效率。无论是代码生成、编写单元测试，还是代码审查等工作，都可以借助 AI 工具来完成，这并不困难。我们可以让 AI 来帮助我们提高效率，这一点应该不算难。使用 AI 工具并不难，关键是找到合适的工具来帮助提升效率。大多数公司，尤其是 90% 的公司，实际上都已经在使用这些工具，大家每天都在使用 AI 技术，我相信这个趋势会持续发展。

沈淦：AI 对所有人来说都是新鲜的技术。第一步是尽快投入使用 AI，先用简单有效的方式应用。第二步，想成为更强的工程师，就要理解 AI 的逻辑，尤其是与传统编程的不同之处。

我建议大家要多强迫自己和 AI 对话，少埋头写代码。通过与 AI 互动，逐渐理解它的编程方式。举个例子，AI 可能会按照标准格式修改代码，如异常处理。但每个公司有自己的逻辑，按照 AI 的标准格式可能会出现问题。所以，想更好利用 AI，就要主动与 AI 互动，作为辅助工具，而非完全依赖它。

张建飞： 另外，鉴别任务也很重要。你要判断 AI 生成的内容是否正确，还要评估其生成的结果是否有益。这种鉴别能力来源于什么呢？归根结底，还是我们的工程能力和编程能力。因此，作为软件工程师，扎实的基本功永远是无可替代的。

丁雪丰： 美团入职培训时的老师曾经对我们说过一句话，甚至这句话现在还经常会被提到：“我不会，但我可以学。”现在，借助 AI、搜索引擎和互联网，学习已经不再是难事，但有些人却不愿意去学。最核心的，还是要提高主动学习的意愿和能力。未来的价值不在于你已经掌握了什么，而在于面对未知时，你的适应能力和灵敏度有多快。优秀的工程师，尤其是那些对技术充满热情的人，一定会是最早跟上去的，可能是第一批，也可能是第二批。

目前，AI 给出的结果不一定是对的，但我们不能排除未来几年它会变得更准确。你要知道它是否对，这种判断能力非常重要。我想起英国科幻作家道格拉斯·亚当斯曾说过：“所有在我出生之前发明出来的东西都是理所当然的；所有在我 15–35 岁之间发明的东西注定是要改变世界的；所有在我 35 岁之后的发明都是反人类的。”但现在，我们认为 AI 并不是反人类的，它会造福世界、造福我们的生活。只要保持学习的动力和勇于尝试的心态，这才是最重要的。至于我现在使用的是 GPT 4.0、DeepSeek 还是 Claude 3.7，我并不关心，只要能有效利用它们，达到目标就好。

张建飞： 直到目前为止，我们这个群体是 AI 热潮中受益最明显的群体之一。作为技术人员，我们本就常接触互联网和新兴技术。身处这个行业，就注定要不断学习。所以，我们这一群体本身已经走在前面，不存在说我们需要去对抗 AI 的情况。

其次，接受了 AI 后，如何有效使用它是关键。随着技术的发展，AI 将变得越来越成熟、易用。但归根结底，工程师自身的能力，尤其是基本功，才是最重要的。比如，你原本代码写得不好，AI 可以帮助你快速生成一些代码，但这并不意味着你的编码水平会因此提高。所以，我建议大家还是要把精力集中在基础能力上——编码能力和设计能力。这些能力，即使在 AI 尚未取代我们的工作时，依然不会让你失望。如果你想在这个行业长久发展，打好基础是至关重要的。

丁雪丰： 除了基本的技术能力，还需要具备沟通能力和理解他人意图的能力。尽管 AI 能够帮助我们解决技术问题，但我们能够解决提出问题的人所带来的情绪价值，这也是一种重要的价值。

沈淦： 真正的学习能力不仅仅是学习，还包括求证的习惯。现在信息量太大，真假难辨，因此，在学习自己感兴趣的领域之后，必须具备快速验证的动手能力，这样才能真正发挥学习的作用。例如，我们提到的 DeepSeek，很多人可能只是在群里听到了一些“秘笈”或“诀窍”，并没有自己动手去验证。就像在讨论某个提示词的反馈时，有些人显然没有亲自试过，只是重复别人说过的话。

丁雪丰： 在现在这个信息环境中，AI 生成的内容有时可能充满“幻觉”，有时看似一本正经，但其实是胡说八道，我们要能一眼识别出来。

张建飞： 是的，通用人工智能距离我们还很远。生成式人工智能只是通用人工智能的初级阶段。机器的知识可以超过人类，但要产生和人类一样的意识和智慧，这仍然很难实现。

沈淦： 尤其是情感，真的是非常困难。

张建飞： 是的，有些人认为这是不可能实现的，也有人说最乐观的预测可能是 20 到 30 年，而一般的看法是需要 100 年。

沈淦： 我还是希望能短一些，最好能在我们有生之年体验到。

张建飞： 但人类的意识是如何产生的，这个问题至今未解。即便我们通过模仿人类大脑的神经元来进行机器学习，但如何产生人类的意识和理解呢？有可能当参数达到一定程度时，意识自然涌现。

沈淦： 我个人觉得，如果只是口水话那无所谓，但如果是严肃讨论，必须对“智能”有一个明确的定义。有些场景下，智能的定义其实很简单。比如，当一个系统基于自己的独立探索，产生大概率正确的结果时，就可以认为它具备某种智能的雏形。现在有些模型已经具备了这样的能力，它们不是基于人类的经验和知识，而是通过自己的探索得出正确答案。

丁雪丰： 或者说，如果它能通过图灵测试，我们也可以认为它具备智能。

沈淦： 如果能够通过图灵测试，那就更简单了，但现在很多模型都能通过图灵测试。我觉得，讨论智能必须有明确的定义，而不能仅仅说“没有定义”。如果没有定义，就不能简单地说它没有智能。和人类相比，当然目前的技术远远不如人类，但这不值得讨论。

丁雪丰：尽管 AI 带来了诸多便利，但也会存在技术兼容性、数据隐私、学习成本等问题。能否结合各自的经历聊聊，在引入 AI 技术 / 工具 / 平台的过程中，团队可能面临哪些主要挑战？

沈淦： 就目前而言，AI 还没有成为数字化转型中的核心部分，尽管它的热度很大，但实际应用还有限。例如，一些较大的客户，IT 预算每年接近 1 亿，但用于 AI 相关的部分，可能连 500 万都没有，这表明他们仍然将 AI 视为一种探索性的技术。然而，我认为今年，尤其是通过 AI 技术的突破，可能会大大加速这一领域的发展，这是一个积极的信号。

第二个感受是，之前很多企业已经投入大量资源，做了类似数据中心和数据仓库的建设，他们非常重视数据资产。然而，对于当前这种依赖大模型的方式，企业对于将大量内部数据提交给外部模型还是有顾虑的。我们目前的做法是与像阿里这样的电商平台合作，通过专业的数据服务来解决这个问题。

丁雪丰： 记得 DeepSeek 推出后，很多产品和功能都纷纷加上“DeepSeek”标签，似乎一切都和 DeepSeek 相关。甚至有说法称 DeepSeek 只是一个“功能”，而非独立产品。

沈淦： 我们主要做企业数字化相关的工作，而 DeepSeek 在这方面的应用还需要找到合适的场景。因为在企业的实际操作中，作业系统是执行系统，光是思考几秒钟的延迟就让人难以接受。所以，我觉得大家对于 AI 的热情有些过度，过于依赖 AI 思考。实际上，我们不可能将所有工作都交给 AI 来处理，过度依赖反而可能导致问题。

丁雪丰： 其实，我最担心的还是数据安全问题。前段时间 AI 大神 Andrej Karpathy 做了个通俗易懂的人工智能课程，当讲到 DeepSeek 时，他特别提到，这是家中国公司，部署的服务器在中国境内，所以使用时可以考虑选择部署在美国公司的服务器上的服务。外国人也会担心数据安全，特别是在使用像 ChatGPT 或 Claude 时，数据会被如何处理。尤其是对于那些涉及国家安全、金融、军工等核心领域的行业，他们的顾虑更为明显。如果跟用户说，“我会拿你的数据去训练模型”，我觉得很多人可能会反感和反对。所以，这确实是一个隐私和数据安全的问题。

一些公司已经开始推出 DeepSeek 一体机，用户只需要支付一定的费用，买回去的机器已经预装好了大模型。这种做法也是为了更好地管理数据和支持大规模的服务。我觉得，数据问题是一方面，另一方面，当数据量变得很大时，如何更好地支持这些服务，也是一个需要考虑的挑战。

沈淦： 对于大多数应用来说，很多数据量还没达到，更多的还是集中在如何做好应用，尤其是那些非功能性的场景，体验还比较少。一旦量起来，可能会出现很多新的问题。比如，过去我们说的重试机制、避免雪崩等，现在如果是 AI 驱动，这些方法可能就没效了。现在的瓶颈可能是在于大模型的卡点，前面的优化方法就显得没那么有效。比如，之前我们做缓存的优化，虽然现在有一些对话缓存技术，但命中率就像我们 SQL 缓存一样，命中率很低，只有完全一致的情况才可能命中。

丁雪丰：现在确实还在找场景，怎么才能更好地利用 AI。说到特别大的困难，像 DeepSeek 真正火起来那段时间，很多服务都无法使用。用不了就是我们的困难，曾经我们在用 DeepSeek 处理一些任务时，它无法正常运行，直接影响了进度。

张建飞： 而且不稳定，之前服务器经常出问题。

丁雪丰： 对，所以现在很多公司都在推私有化部署，各大厂商都在提供自己的私有化方案。

沈淦： 私有化部署一旦起量，也会面临各种挑战。这个是一个过程，现在没有现成的经验可以借鉴，只能通过不断摸索和实践来解决问题。

观众：AI agent 现在发展如何？能做到自己执行自己写的代码，自我推动吗？

丁雪丰： 我记得有些项目，比如 MetaGPT，还有一些类似的尝试，似乎是在尝试让几个 Agent 相互之间对话。还有类似于让 DeepSeek 分析，让 Claude 去写代码，再换一个 Agent 去评分，类似这样的应用。

沈淦： 你说的是 AI 小镇吗？它是一个模拟环境，不是真正的应用。它是用于模拟和探索，而不是实际的生产环境。

丁雪丰： 我记得有类似的 MetaGPT 的尝试，模拟大家的交互。将来可能会有更多这样的尝试，像我们之前讨论的 AI 自己提出需求、分析需求、实现需求。这类应用应该会逐渐出现，但可能短期内大家还看不到特别成熟的应用落地，但它的确带来了新的尝试和探索的方向，未来可能会成为一个重要的趋势。

观众：什么程度才算会用 AI 的工程师？

张建飞： 从使用的角度来看，如何“用好”AI 应用其实是很难度量的。首先，我们不排斥这些新技术，我们能够接受它们；其次，我们不仅接受，还会积极拥抱它们，借助这些工具提升我们的效率，辅助我们的工程工作，无论是编码、还是整个工程 Pipeline，AI 都会成为我们得力的助手。但至于如何真正“用好”它，我个人认为这个是很难量化的。

丁雪丰： 现在我们很多时候都用指标来衡量工作效能。我有时候也会拿过去的自己、现在的自己和未来的自己做对比。举个简单的例子，比如说我做一件事情，过去可能要两天时间，而现在有了更高效的工具，半天就能完成。如果这种变化给我带来了正向的收益，那就说明我确实使用得很好。其实，“用好”和“用了”之间的差异，只是在于度量的标准不同，或者是心理上、心态上的变化。部分改变是可以通过一些指标来度量的，比如可控输入指标和输出指标。

沈淦： 无论是插件形式还是 AI IDE 的形式，“用好”最直观的表现就是，你至少要非常熟悉主流工具，尤其是里面的一些 AI 操作。例如，像左边拷贝、右边交互的方式，或者确认提交、多文件处理等操作。如果你能熟练掌握这些工具的交互方式，并能高效地运用它们，这就是“用好”的体现。