过去两年，关于 AI 写代码的主流叙事是「平民化」：编程门槛降低，更多人能用自然语言做出软件，世界将被快速生成的应用淹没。Flask 作者 Armin Ronacher 三天前发的一篇短文，观察到了一个几乎相反的趋势——AI 正在把程序员推向更难的技术，而不是更简单的 [1]。
他的原话是：突然之间，他看到人们用 DWARF 调试信息、eBPF、自定义网络驱动、自定义加密算法，甚至很老的计算机硬件，做出了令人印象深刻的东西。这些领域过去对大多数开发者是禁区——密码学领域甚至是圈内人故意设置的门槛。现在门开了。
两个真实样本
这个趋势有两个可以核实注脚的例子。Cloudflare 新发布的 Artifacts 服务里有一个纯 Zig 写的 Git 协议引擎，编译成约 100 KB 的 WebAssembly 模块 [2]；Vercel 开源了 fx，一个用 Zig 写的编码 agent，卖点是「小而快」，上线两周拿了两千多颗星 [3]。
Zig 是个有意思的选择：它的创始人和部分核心社区对 AI 持明确的负面态度，但这不妨碍 LLM 辅助的项目大量涌向它。工具的立场和工具的用途，从来是两回事。
为什么难度不再是护城河
拆开看，「难学的技术」的难，大部分成本花在熟悉过程上：读文档、踩坑、建立肌肉记忆。这部分恰好是 LLM 最容易替代的——它们读完了全部文档，见过全部坑，不会忘。
Ronacher 自己的经验是：选择编程语言这件事的重要性在大幅下降。不喜欢现在的选择？让 agent 用另一种语言重写就是了，哪怕那个语言你完全不懂。当切换成本趋近于零，选型依据就从「团队会什么」变成了「什么属性适合这个场景」——要性能还是要生态，要二进制小还是要迭代快。
这解释了他提到的另一个现象：一批长期痴迷高性能软件的工程师——Mitchell Hashimoto、Charlie Marsh、Daniel Lemire 这些名字——恰恰也是最早拥抱 agent 写代码的人。对性能的执念和对手动写代码的执念，原来并不是一回事。
组织行为的连锁反应
真正值得深挖的是这对组织的影响，有三个层面。
选型权力转移。 过去技术栈由团队的技能存量决定——会 Java 的公司选 Java，招不到 Rust 程序员就不碰 Rust。当学习曲线被 agent 摊平，选型逻辑回归技术本身的属性：性能预算、内存占用、运维复杂度。「我们没人会」第一次不再构成否决理由。
快和小重新变成卖点。 云计算十年，软件膨胀的惯性被视为不可逆——硬件增长总会兜底。100 KB 的 Git 引擎和主打轻量的 Zig agent 接连出现，可能是个信号：当 AI 让「再写一个更快的版本」变得便宜，「够用就行」的性能容忍度会被重新谈判。
瓶颈从生产移到验收。 这是冷水的一面：能产出困难技术方案的人变多，能判断方案正确与否的人没有变多。自定义加密是 Ronacher 列举的例子之一，而密码学恰恰是「写出来能跑」和「写出来安全」距离最远的领域。门槛降低的是使用，不是判断——组织的验收能力、code review 的深度、安全审计的流程，从支持角色变成了主瓶颈。
更深的软件，而不是更浅的
把这三点合起来，Ronacher 那句轻描淡写的结尾值得放大：也许世界上会有更多 slop，但也会有更多想要东西又快又小的开发者。
AI 降低门槛的效果从来不是单向的「变浅」。它同时拆掉了两堵墙：一堵挡住了想做出好软件的人，另一堵挡住了困难的软件本身。前者的产物是 slop 洪水，后者的产物是我们正在看到的——hard code 的意外复兴。
对个体工程师的启示朴素一些：你积累的那些「很难学」的知识，折旧速度取决于它在多大程度上只是熟练度。纯熟练度的部分正在快速贬值；而判断该做什么、判断做出来的东西对不对，这两端反而升值了。
参考文献
[1] Armin Ronacher. Fast and Hard Code, 2026-08-22
评论 (0)
发表评论
请先登录后发表评论