工程判断力正成为最稀缺的资源

实现成本正在降低。这使得判断力变得昂贵。

判断力并非直觉或观点。它是指在不确定性下做出决策的能力。AI 让这项技能变得比以往任何时候都更加显而易见。

两位工程师可能会接到相同的任务：为发票对账构建一个 API。AI 可以为两者编写代码。语法和框架看起来都会是一样的。

最终的系统会有所不同。一位工程师可能会构建一个难以维护的混乱服务。另一位则可能会将业务规则和逻辑分离到独立的组件中。

AI 并没有做出那个选择。是工程师做出的。

架构依然重要，因为实现不再是差异化因素。代码背后的决策才是。

复杂度并不会随着 AI 的出现而消失。它只是发生了转移。

过去，工程师花费时间将想法转化为代码。现在，AI 完成了这种转化。真正的难点发生在写下第一行代码之前。

你必须回答如下问题：

• 我们正在解决什么问题？
• 哪项数据是事实来源 (source of truth)？
• 业务规则应该放在哪里？
• 我们如何衡量成功？

自动补全无法回答这些问题。它们需要上下文。

软件开发现在看起来更像是信息工程。瓶颈不再是代码，而是信息。

你面临着：

• 需求缺失。
• 文档不完整。
• 业务规则冲突。
• 权责不明。

能够整理信息的工程师比写代码快的工程师创造的价值更高。

工作流已经发生了转变。过去是： 需求 -> 设计 -> 代码 -> 调试 -> 部署。

现在是： 业务问题 -> 上下文 -> 架构 -> AI 实现 -> 人工审查 -> 安全 -> 评估 -> 生产。

编码现在只是整个流程中的一小部分。周围的相关活动才是重点。

高影响力的决策发生在代码编辑器之外。它们发生在当你询问：

• 这应该是一个独立的微服务吗？
• 我们能审计这个决策吗？
• 如果 AI 错了会怎样？
• 这个架构可以演进吗？

AI 工程不仅仅是提示词 (prompts) 或模型选择。那些仅仅是一个层面。

真正的挑战在于架构：

• 我们如何对业务知识建模？
• 我们如何消除歧义？
• 我们如何维持信任？

模型每隔几个月就会更新。而架构可以持续数年。糟糕的架构会迅速变得代价高昂。

最优秀的团队构建的系统能够经受住多代模型的更迭。他们针对适应性进行优化。

AI 只是另一层抽象。更高的抽象层次需要更强的推理能力，而不是更弱的推理能力。

最强大的工程师不是编程速度最快的人。他们是那些能够创造清晰度的人。他们定义架构、标准化数据并减少歧义。

一个好的系统能帮助人类和 AI Agent 协同工作。一个坏的系统只会让错误发生得更快。

创造清晰度的工程师创造了杠杆效应。

Source: https://dev.to/uigerhana/engineering-judgment-is-becoming-the-scarcest-resource-1a5l

Optional learning community: https://t.me/GyaanSetuAi