最近一直在深度使用 AI 编程，从完全无代码的开发哥网站，到 AI 生成后台代码；从 Cursor 到 Trae AI，能明显感受到 AI 可以帮我写大量代码。最多的时候，5 个小时写了超过 2000 行可以运行的代码。但一个奇怪的感受是，尽管 AI 让代码生产更快了，软件开发的复杂度却没有降低，项目的构建需要的心力依然和以前一样。

这让我不禁思考：AI 真的在降低软件开发的复杂度吗？还是说，复杂度只是被转移了？

---

1. AI 编程 ≠ 复杂度消失，而是复杂度转移

在《人月神话》中，布鲁克斯提出了软件开发的四大本质复杂度：复杂度、一致性、可变性、不可见性。即使 AI 能够自动生成代码，这些复杂性依旧存在。

业务复杂性：AI 可以帮我们写代码，但它无法自动理解业务规则的变化。例如，一个 AI 生成的电商促销规则，可能在逻辑漏洞下导致「满 100 减 200」这样的错误，造成严重损失。

技术复杂性：AI 可以优化 SQL 查询、生成索引，但 AI 生成的代码仍然可能隐藏性能瓶颈，甚至带来更高的架构耦合度。

治理复杂性：AI 代码的可维护性、可解释性，仍然是一个巨大的挑战。AI 生成的代码往往不是“最优解”，而是“看起来能跑”的解。

AI 并没有消除软件开发的复杂度，而是将其转移到了其它的层面：

传统复杂度	AI 时代的复杂度转移
人工编写 CRUD 代码	提示工程（Prompt Engineering）
手动优化数据库索引	AI 生成索引，但需要人类调优
代码逻辑的可读性	AI 生成的代码可能变成「黑盒」
需求沟通的精确表达	需要用更严谨的自然语言指导 AI

2. AI 让开发更快，但项目建设更复杂

布鲁克斯认为，软件开发的困难分为根本困难（Essential Complexity）和次要困难（Accidental Complexity）：

• 根本困难：软件本身的固有复杂性，不会因技术进步而消失。
• 次要困难：开发过程中人为引入的复杂性，如编程语言、工具、调试方式等，可以通过技术优化。

AI 编程 主要解决的是「次要困难」，但无法消除「根本困难」。让我们来看看布鲁克斯提出的软件开发四大根本困难，以及 AI 编程是否真的能克服它们。

2.1 复杂度（Complexity）

布鲁克斯认为，软件的复杂度源自以下几个因素：

• 组件交互的指数级增长（比如微服务架构）。
• 代码状态的激增（如并发编程）。
• 业务逻辑的无限变化（如金融风控规则）。
• 缺乏对整个系统的全局掌控能力。

AI 确实能快速生成代码，但它无法减少软件的业务复杂性。 例如：

• AI 可以帮你写一个支付系统的 API，但它无法理解跨境支付的法律法规，仍然需要人类去设计合规架构。
• AI 生成的代码可能没有考虑到以前没有见过异常情况，导致后期维护困难。

结论：AI 不会减少软件的复杂度，只是让代码生产更快，但架构和业务逻辑的复杂性依然存在。

2.2 一致性（Consistency）

软件必须兼容历史系统、旧数据、第三方 API 和用户习惯，这导致：

• 新系统必须适配旧架构。
• 代码风格和 API 设计必须保持一致。
• 数据格式、协议、接口规范不能随意更改。

AI 可能会破坏一致性，而不是增强一致性。

• AI 生成的代码风格可能不统一，团队成员需要额外时间进行重构。
• AI 可能会引入隐性的兼容性问题，导致老系统无法正常运行。

结论：AI 不能自动保证代码和系统的一致性，反而可能引入新的不兼容问题。

2.3 可变性（Changeability）

软件必须不断适应需求变化：

• 政策法规变化（如 GDPR 隐私保护要求）。
• 新业务功能增加（比如直播带货）。
• 技术栈升级或迁移（比如从 MySQL 迁移到 PostgreSQL 等）。

AI 确实可以加速代码变更，但它无法理解业务变更的深层逻辑：

• AI 可能会机械地替换代码，但不会思考整体架构是否需要调整。
• AI 可能会优化单个函数，但不会考虑整个系统的长期演进。

结论：AI 可以加速代码变更，但无法主动适应业务变化，反而可能增加技术债务。

2.4 不可见性（Invisibility）

软件不像建筑或者机械产品那样，可以从物理空间上直观理解。软件的结构是逻辑性的，导致：

• 沟通困难：不同开发者对系统的理解可能不同。
• 调试困难：AI 生成的代码可能变成「黑盒」，难以分析问题。
• 架构复杂化：AI 生成代码可能会引入隐形的设计缺陷。

结论：AI 代码的「黑盒性」可能让软件的可见性更差，导致调试和维护的挑战更大。

3. AI 编程的真正价值：降低「次要困难」

虽然 AI 无法消除软件的根本复杂度，但它确实在减少次要复杂度（Accidental Complexity），包括： ✔ 代码生成：AI 可以帮你写 CRUD、API、测试代码，提高开发效率。
✔ 调试辅助：AI 可以自动分析日志、找出潜在 Bug。
✔ 文档生成：AI 可以自动补充代码注释，提升可读性。
✔ 代码优化：AI 可以推荐更优的算法或 SQL 查询，提高性能。

但与此同时，AI 也引入了新的复杂度： ❌ Prompt 设计复杂度：如何写出好的 Prompt，才能让 AI 生成高质量代码？AI 代码质量很大程度上依赖于输入的提示（Prompt），这意味着开发者需要掌握新的技能，比如如何编写高质量的 Prompt。 ❌ AI 代码治理：如何审查 AI 生成的代码，防止安全漏洞？
❌ 技术债务：AI 可能会生成「能跑但难维护」的代码，如何管理长远的架构演进？ AI 可以帮助我们快速生成大量代码，但如何组织这些代码、保证架构的可维护性，仍然是开发者的责任。

4. 未来开发者的核心竞争力：驾驭 AI，而不是被 AI 取代

AI 编程时代，开发者的角色正在改变：

• 过去，开发者的价值在于写代码。
• 未来，开发者的价值在于驾驭代码复杂度，利用 AI 高效开发。

开发者的三大新技能

✅ 语义工程：如何用精准的 Prompt 让 AI 生成高质量代码？

• AI 代码质量的高低，取决于开发者如何设计 Prompt。
• 但 AI 无法判断哪种方案最适合当前业务场景，这仍然需要开发者的经验与判断。

✅ AI 代码治理：如何审核 AI 代码，防止技术债务？

• AI 代码可能会引入新的技术债务，比如：
  代码结构混乱，缺乏一致性
• 逻辑错误难以发现
• AI 生成的代码难以调试

未来，AI 代码审查（AI Code Review）可能会成为开发流程的新标准。

✅ 架构思维：如何让 AI 代码符合长期可维护的架构设计？

• 未来的开发者，需要具备更强的系统思维：
  如何拆解业务需求？
• 如何设计可扩展的架构？
• 如何管理 AI 代码的质量？

开发者需要从「被动写代码」转变为「主动设计系统」。

5. 结尾

AI 让代码生成变得简单，但软件架构仍然需要人类设计。

未来，AI 编程会让开发变得更加高效，但开发者的核心竞争力将不再是写代码，而是驾驭复杂度。

未来，AI 可能会替代低端的代码搬运工，但无法替代深刻理解复杂度的架构师。

「AI 不会取代开发者，但懂得驾驭 AI 的开发者，将取代那些不懂 AI 的人。」

以上。