代码让 AI 写了，但拍板的还是人- 大数跨境

首页

代码让 AI 写了，但拍板的还是人

AI驱动数字化转型

2026-08-29

导读：判断没走，只是换了站位。AI 把代码写得越来越快，于是圈子里流行起一句话：软件工厂要来了，人该从代码里退出去。

PART 01

判断没走，只是换了站位

AI把代码写得越来越快，于是圈子里流行起一句话，软件工厂要来了，人该从代码里退出去。这话只对了一半。人确实从逐行读代码、逐个改动复核里退了出来，但没从软件这件事里退出去。判断只是换了站位，没消失。

这是个时代性变化。过去评价工程师，就看代码写得对不对，手快、眼准、记得住，就是好手。如今智能体能写实现、跑测试、看失败、改代码，但前提是你把上下文喂够。当代码本身不再是瓶颈，工程师的本事就跟着挪了，从"写得出"挪到"定得对"。定什么？定这四件事，到底解决谁的问题、系统怎么摆、怎么算能发布、上线前谁拍板。这四样全是判断，机器给不了你准话，只能人自己定。

人没退场，退的是"逐行盯代码"。真正值钱的，从"会写代码的手"变成了"能定边界的判断力"。

PART 02

判断要提前放对，不能事后救火

把智能体交给团队用，最难的不是让它学会写代码，而是让它知道你那条线在哪儿。如果判断是等它写完，人再从头核一遍，那就跟以前没什么两样，只是把审查从人换成了AI，活没省，只是换了个干活的。

正确的做法是提前放对位置。派单模板里写死几条纪律，只许碰验收标准，不许动认证、计费、迁移和已有的测试断言；改完必须开一个草稿合并请求，把跑了什么检查、剩什么风险、哪些决定必须人来拍，一次性写清。这几条看着简单，其实是把判断这个最值钱的东西，提前写进了环境里。智能体照着执行，不用人每次盯着，因为边界在动手之前就已经钉死了。

这就说到软件工厂的关键，工厂不是"AI干活、人看结果"的流水线，而是"把人该定的提前定死，把机器能定的交给机器"。判断放得越靠前，后面要人救的火就越少。

PART 03

什么时候值得上软件工厂

工厂，就是围绕软件开发的一套可重复、事件驱动的循环。它有用，但门槛比很多人以为的要高，多数项目根本用不着。一个趁手的编码工具、几个会话、把规格写清楚，就能走很远。

真正需要工厂的，是当难处变成这几件：每次运行要表现一致、智能体之间要交接、同一问题别被两个会话重复认领、证据要留得住。这四样一旦成了瓶颈，工厂的价值才会显现。判断标准就一条：你的工作是不是已经事件驱动。如果是从工单、工作群、待办清单自动触发的队列，跑在隔离环境里，还要人盯分诊、实施、测试，那才值得上，否则是自找麻烦。

多智能体并行，最怕的是无序。两个会话同时认领同一个工单，各写各的，合并时打起来了，这不是技术错误，是协调缺失。解决靠的是加锁，谁先认领，标签就锁死，别人只能等。这个机制是整个工厂里最不值钱、却最要命的一环。它把并发变成了有序，是软件工厂能跑起来的前提。

分诊机制

分诊机制也值得细说。Warp把每个进来的工单分进四个状态：可实施、待规格、要信息、先别动。这个标签同时干了三件事：它是队列（排先后），是锁（一个会话认领了别人不碰），是人的暂存区（想停一件事，不用对它永远说不，标个状态就行）。会话只捡标成就绪的，其他状态就是人给它设的边界。这套机制把分诊这个原本靠人临时判断的事，变成了能照着执行的规则。这一步，让工厂从一堆脚本变成了有秩序的系统。

PART 04

一个最小的工厂，一个提示词就够

小到不能再小的工厂，一个提示词就装得下。先读工单和仓库说明再动代码；只实现验收标准，不碰认证、计费、迁移和已有测试断言；在分支上改，改动保持可审；跑代码风格检查、测试、构建，跑不了就停下说明原因；开一个草稿合并请求，写清楚跑了什么、剩什么风险、哪些决定必须人来拍，别自己合并。

这一句是整个循环的地基。分支保护管住合并边界，人每天看工单标签决定放行哪些。看里面的门道：提示词里所有"别碰、别动、别合并"，都是把人的判断边界前置；所有"写清楚、说明原因"，都是让智能体给证据。边界加证据，就是人在AI写代码时代做判断的两种方式，把该定的定死，把该看的看明白。

这里有个容易忽略的细节：交接。任务在工厂、另一智能体、人工审核之间流转。交接必须带走三件事，发生了什么、还剩什么、为什么需要交接。交接丢一环，下一棒就得从头摸，整个工厂的进度就卡在这。交接做得好，是看不见的功夫，比任何单点优化都值钱。

PART 05

质量门要前置、持续，还要算信噪比

质量检查要尽早、尽量持续地推进到循环里。类型系统、自动化测试、变异测试、安全扫描、架构代码风格检查，都能用很低的成本把问题拦在前面。但要记住，检查次数不等于质量。一个工厂挂了几十道闸门，每道都跑，不一定就比三道关键的更安全。

关键是想清楚验证预算。快检查，代码风格检查、类型检查，放最前面，几乎零成本，错了立刻拦。重的检查，变异测试、浏览器测试、安全扫描，放到草稿合并请求前后。这个分配不是随意的，是要让开发循环不被拖慢，又让该查的在关键节点查到。判断一个工厂的好坏，看的就是信噪比，这些检查是每次都撞同一个假阳性，还是真在把系统变安全？是省事，还是只是更吵？

验证预算还有一笔账：成本。一次运行回来标成"有瑕疵"，你只知道它没成，不知道查出这瑕疵花了多大代价。一道快速检查，没人驳回，七分钟跑完；一个要人工在中间拍板的功能，两次驳回加人工决策，五十六分钟。同一个工厂，成本差八倍。所以运行分类必须配每阶段耗时一起看，否则没法判断这工厂是高效还是虚胖。验证预算配得好，是给智能体松绑的前提。检查到位，人才放心把更多事交出去；检查虚设，只能越攥越紧。

PART 06

全绿会骗人，安全要靠分层

自动化检查最容易骗人的地方，是它以为绿了就是过了。你让智能体帮忙过一道单测，它可能改测试去满足条件，也可能改代码逻辑去蒙混，而不是真按你原本的意图来。所以刚把工厂搭起来时，全绿不代表真绿，要盯紧关键路径上的检查是不是真在做你以为它做的事。

这里有个根本问题：测试和逻辑都是智能体自己写的，它为了让绿灯亮，可以两边一起改。验证要防这种自己证明自己，办法是让验证独立于实现。独立的验证，才不是自证。

另一个隐藏风险在输入侧。工厂如果读不可信输入，一个GitHub工单、一条工作群消息，可能是敌意的，可能夹带供应链攻击。所以像Vercel这类实现，把智能体关进隔离沙箱，只给当前任务够用的密钥。就算一个运行被攻破，它手头也只有这个任务要用的那几把密钥，够不着别的。这就是给智能体戴镣铐，不是不让它干活，是让它只够得着该够的。最小权限加上隔离，是两道独立的防线，任何一道被绕过，另一道还在。防御靠分层，不靠单点。这一层防的不是攻破本身，是攻破之后的损失。真到了那一步，靠最小权限把损失锁死在小范围，不让一次失守拖垮整片。

PART 07

并行越多，记忆越要靠落盘

可以同时放几十上百个智能体跑，但人的认知带宽不跟着涨。过去聊上下文切换的成本，现在更严重。一天五个十个项目，每切一次都要重抓"刚才在干嘛"。并行越多，脑子里的模型越多，凉得越快，转头就记不全。

代码往往留住了"当时做了什么决定"，留不住"为什么这么决定"。与其指望记忆和翻会话，不如让智能体把它处理问题的轨迹、踩过的坑、学到的教训落成文件。存仓库也好、留本地也好，需要时能翻回来。关键是把当时为什么这么定和代码分开存。代码回答是什么，轨迹回答为什么。后者不落到盘上，等会话一压缩，就永久丢了。认知带宽就摆在那，人不可能跟上每个会话，那就让机器替人记住该记的。

认知带宽的事，说到底人的注意力只有一条道。机器可以并行，人的注意力不能。所以工厂的设计目标，是尽量把人的注意力集中在最少的几处判断上，而不是让人跟进每个会话。谁该被盯、谁能放手，取决于风险，不取决于会话数量。把注意力花在刀刃上，是并行时代对人最要紧的事。边界画得越清楚，越能放手让它跑；边界画得越糊，越得寸步不离盯着。信任是边界给的，不是放养给的。

PART 08

判断转移的终点，是责任还在

说了这么多，底下是同一个原则，代码是手打的还是AI打的，不改变谁担责。还是有人定问题，有人定架构，有人定质量线，有人决定哪条验证信号值得信，有人判断证据够不够发布。系统真出事了，"智能体写的"不是挡箭牌。

往大了看，这条原则能解释很多现象。为什么OpenAI、Anthropic这些站在浪尖上的公司，不约而同押注FDE，前沿部署工程师？因为模型能力越通用，特定场景落地越脆弱，光有模型解决不了"最后一公里"。那一段恰恰要人到客户现场，把模糊需求翻译成技术方案，再给智能体搭确定性护栏。模型提供能力，人提供判断和边界，合起来才叫落地。95%的企业AI项目倒在最后一公里，不是模型不行，是没人把判断放对位置。

所以最好的软件工厂，不是比谁把人的参与消得最干净，而是比谁把人放得最聪明。把意图、系统怎么搭、质量线划到哪儿，放在上游让人定，把机器能给准话的部分使劲往前推，约束该紧该松，随系统赢不赢得起信任来调。技术会一直变，AI写代码的水平还会往上走，但有一件事不会变，总要有人为最后那句"行不行"负责。这个位置，机器替不了，也不该替。所以，判断没走，只是换了个更省力的站位。

【声明】内容源于网络

AI驱动数字化转型

专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

内容 1081

粉丝 1

AI驱动数字化转型专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

总阅读10.4k

粉丝1

内容1.1k