AI

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。 ...