最近一直在用 Claude Code 写代码，越用越觉得：AI 能力越强，软件工程的价值反而越凸显。这篇是从一个 Code Agent 用户的视角，整理一下我对这个问题的思考。

核心逻辑

LLM 上下文窗口有上限，拉长上下文会带来注意力稀释、输出质量下滑。即便依靠上下文工程（Context Engineering）缓解，随着项目代码体量膨胀，依然会出现代码臃肿、项目难维护、性能失控。

AI 擅长写片段代码，但不会自动产出高质量、可长期维护的工程系统。所以人这一侧需要补上"做正确的系统"这一课。

一、这个背景下，重点要学的软件工程板块

1. 系统架构与模块拆分

不要把大项目全部丢给 LLM。学会合理做模块划分、边界定义、依赖隔离，把大系统拆成多个小的独立单元，刚好适配 LLM 有限上下文，每次只让 Agent 处理局部模块。

重点：高内聚低耦合、接口契约设计、分层设计。

2. 项目工程规范体系

代码规范、目录结构、命名规范、依赖管理、版本控制（Git）、CI/CD 流水线。AI 生成代码风格飘忽，统一规范可以约束 Agent 输出，减少后期整改成本；版本控制更是兜底，防止 AI 大面积改写搞坏项目。

3. 测试工程能力

单元测试、集成测试、契约测试。LLM 很容易写出能跑但暗藏 bug、边界 case 缺失的代码。不能只靠 AI 自测，人要会设计测试用例，用测试去校验 Agent 产出，把测试作为约束 AI 输出质量的手段。

4. 上下文工程（Context Engineering）

属于适配 LLM 开发的新型工程能力：

  • 文件选取策略
  • 提示词编排
  • 知识库检索（RAG）
  • 代码切片
  • 上下文过滤

只把当前任务相关代码喂给模型，而不是整个仓库。用来缓解上下文长度不足、注意力分散问题。

5. 可维护性与技术债务管理

识别 AI 带来的技术债务：AI 快速堆出来的代码常出现重复、硬编码、逻辑混乱。学习重构、解耦、代码评审方法，定期清理 AI 遗留债务，避免项目越迭代越失控。

6. 性能、安全与错误处理

LLM 生成代码经常忽略异常捕获、资源释放、性能损耗、安全漏洞。需要掌握性能分析、异常处理、安全校验，对 Agent 产出做审查把关。

二、现有 Code Agent 已经具备的能力

能力 说明
局部代码生成与修改 针对单个函数、单个文件完成编码、重构、bug 修复；理解给定片段代码逻辑
基础上下文工程 自动检索项目相关代码片段，把相关文件拉入上下文
基础版本交互 读取 Git 变更，基于现有修改继续迭代代码
简单测试生成 可以为给定代码片段生成单元测试样例
基础代码格式化 按照指令调整代码风格、注释文档

局限：大多只擅长局部任务，缺少全局项目视角。

三、当前 Code Agent 明显薄弱的方向

这块是我自己用下来的痛点，列出来供大家参考：

全局架构把控弱

很难完整理解百万行级项目整体架构，容易破坏原有模块边界，写出破坏系统设计的代码。只看到局部，看不到全局依赖影响。

技术债务感知不足

不会主动识别自己产出带来的债务，为了完成当前任务，会堆砌临时方案，不会主动做整体重构。

复杂多模块协同设计差

跨多个模块、多个文件的大规模改造，容易出现接口不匹配、模块联动出错。

测试只做表层

大多生成样板测试，很难挖掘业务边界、异常场景，不会完整设计整套测试策略。

性能、安全风险自动识别有限

经常写出存在性能瓶颈、安全隐患代码，不会主动做性能评估和安全审计。

长期项目演进能力缺失

不负责项目版本演进规划，无法自主做版本规划、依赖升级、兼容性处理。

四、作为使用者，你需要做的努力

1. 承担架构师角色，把控全局

不要把整个项目全权交给 Agent。由人定义系统架构、模块边界、接口契约，把大任务拆解成小任务，分配给 Agent，限定 Agent 只能在指定模块范围内工作。

2. 做好上下文管控

善用上下文工程，不要把整个仓库丢给模型。每次只提供当前任务真正需要的代码、文档；做好代码切片，过滤无关内容，规避上下文过长导致质量下降。

3. 建立约束规则，输入给 Agent

把项目规范、目录规则、编码约束、安全要求写进提示词或者项目知识库（CLAUDE.md 之类），约束 AI 输出，减少不合规代码。

4. 严格审查 AI 输出产物

AI 输出不等于可用代码。必须做代码评审：检查逻辑、边界、性能、安全、是否破坏原有架构。不要直接无脑采纳。

5. 用测试来校验产出

人来定义测试目标与关键用例，让 Agent 辅助生成测试，运行测试验证代码正确性；发现问题再反馈迭代。

6. 管理技术债务

定期对 AI 生成代码做重构优化，不能一味堆功能；利用 Git 做好版本备份，出现 AI 改崩代码可以回滚。

7. 分清分工边界

角色 职责
Agent 高效编码助手，负责实现细节
人 需求、架构、方案决策、质量把关

AI 越强大，人的工程判断能力越不能缺位。

总结

AI 代码助手擅长"实现"，但不擅长"做正确的系统"，软件工程就是用来弥补这个差距。

LLM 不会替代软件工程师，反而把工程师的工作重心从"写代码"推向了"做决策"：架构怎么拆、规范怎么定、测试怎么覆盖、债务怎么管。这些判断才是项目能不能长期跑下去的关键。