以下內容來自實際 production 環境經驗（包含 legacy 系統維護、重構專案與 deadline 壓力場景），並非理想化流程。
近年媒體不斷報導「AI 即將取代工程師」「會寫 Prompt 就能開發系統」，讓許多人嚴重誤解 AI 在軟體工程中的角色。
AI 放大的是產出速度，但工程本質是約束設計與風險控制。
在 AI 時代，軟體工程的核心不再是寫程式，而是定義與維持系統的約束邊界（Constraints）。 這包括業務規則、技術限制、風險邊界與長期可維護性。AI 能快速產出程式，但無法替你建立這些約束——這正是資深工程師真正的價值所在。
一、AI 時代的能力分層：產出能力 ≠ 工程能力
AI 讓「寫 code」的門檻大幅降低，卻也製造了一個危險的錯覺——好像只要會用 AI，就能成為工程師。
但在生產環境中，AI 只強化了產出速度，並沒有強化以下核心工程能力：
- 系統設計能力（System Design）
- 風險判斷與邊界控制（Risk & Boundary）
- 資料一致性與正確性把關
- 長期維護與技術債管理
初級使用者與資深工程師的真正差異：
初級使用者：
- 把 AI 當成解題工具
- 直接接受 AI 輸出結果
- 事後用測試驗證
資深工程師：
- 先定義系統的約束邊界與風險
- 再讓 AI 在嚴格限制內加速產出
- 所有輸出都經過架構一致性與業務正確性檢查
核心結論： 會用 AI → 可以寫 code 會控制 AI → 才是工程師 能定義與維持 AI 的約束邊界 → 才是資深工程師
現在真正的競爭差異，不是誰寫 code 比較快，而是誰能確保 AI 產出的東西在 production 是安全的。
二、實務方法：如何在約束邊界下安全使用 AI
理解能力分層之後，以下是具體的落地做法。這些方法不是理想流程，而是考慮 deadline、legacy code、團隊成熟度差異後的 80/20 打法。
1. 需求拆解：知道什麼時候該偷懶
現實中不可能每次都完整拆解。重點是依風險分級建立約束：
- 高風險部分（金流、權限、資料一致性、審計）必須人類親自定義邊界與風險。
- 一般 CRUD：讓 AI 協助整理規格 + 產出反向測試案例。
- Legacy 系統：用 AI 先分析呼叫鏈與資料流，再決定重構範圍。
關鍵在於知道什麼時候絕對不能妥協，這正是約束設計的起點。
2. 系統設計：先有人類框架，再讓 AI 滲透
設計永遠不能跳過，而是先由人類定義核心約束：
- 核心模組：寫簡短 ADR 或文字架構，明確定義邊界與限制。
- 次要功能或緊急修正：把既有架構風格與約束塞進 prompt，讓 AI 產生候選方案後人工調整。
- Deadline 極限：先做「夠用設計」，但一定要排後續技術債。
AI 在此階段只能當設計助手。你必須持續餵上下文，避免 context drift。
3. AI 的日常定位：能力強但極度不可預測的 Junior
AI 是滲透在整個開發循環的加速器，而非單一步驟。它的最大問題是不可預測性：
- Hallucination（幻覺）
- Silent Failure（隱藏錯誤）
- Overconfident Output（過度自信）
適合大量使用 AI 的場景（在明確約束下）： CRUD、boilerplate、DTO、validation、migration、單元測試生成、複雜 SQL、重構建議、legacy 轉現代骨架。
必須人類主導的場景（強約束）： 金流、權限模型、多租戶隔離、並發控制、高業務風險或法規邏輯。
4. 工程審查：把 AI 產出當「可能帶毒的草稿」
這一步最能體現維護約束邊界的能力：
- 檢查是否違反先前定義的架構約束
- 特別注意 silent failure 與 edge case
- 要求 AI 先自我列出「這段 code 可能出現的 5 個潛在問題」
定期進行「AI 技術債健診」，避免隱藏風險突破邊界。
5. 測試與驗證：壓力越大越不能省
AI 讓寫 code 變快，也讓 bug 出現更快。因此必須強化驗證約束：
- 核心路徑必須有 integration test
- 高風險功能強制 sandbox + shadow testing + feature flag
- AI 適合大量產生測試案例，但「哪些測試真正重要」永遠由人類判斷
結論
AI 放大的是產出速度，但工程本質是約束設計與風險控制。
在 AI 時代，軟體工程的核心不再是寫程式，而是定義與維持系統的約束邊界（Constraints）。
媒體看到的是 AI 寫 code 的速度，我們在 production 看到的是 AI 放大風險的速度。真正的資深工程師，不是 Prompt 寫得最好的人，而是最懂得在 deadline、legacy、團隊現實中，設計與守護系統約束邊界的人。
給團隊的務實建議：
- 建立輕量《AI 使用守則》，明確高風險場景的約束邊界。
- 區分探索模式（可放寬）與生產模式（必須嚴格）。
- 每季進行 AI 技術債回顧。
- 培養「對 AI 保持健康懷疑」的團隊文化。
在 AI 時代，資深工程師的價值不但沒有降低，反而更加重要。因為能駕馭 AI 並定義其邊界的人，和被 AI 帶著走的人，做出來的系統品質天差地遠。
沒有留言:
張貼留言