核心判断：大语言模型正在把软件开发的瓶颈从代码书写转移到上下文管理、目标定义、风险监督与最终责任承担，但这并不意味着编程本身已经变得容易。
模型降低的是实现门槛，不是软件工程所有复杂约束。
原文反驳的并不是“AI 能够生成代码”这一事实，而是把软件开发中的代码实现贬低为低价值、低难度劳动。优秀代码涉及抽象、约束、边界条件、性能、安全、可维护性和长期演化，代码能否运行只是最低层次的要求。
开发者手动完成语法、接口和样板代码。
模型根据自然语言、已有代码和工具调用快速生成或修改代码。
需求误解、边界遗漏，以及难以察觉的安全与维护问题。
自行定位错误、理解依赖关系并设计修改方案。
Agent 运行测试、读取日志、修改文件并循环尝试修复。
涉及隐性业务规则或历史兼容性时，模型可能在错误方向持续工作。
需求分析、用户访谈和工程实现需要多角色协作。
模型整理需求、生成原型并提出实现路径。
无法替代利益冲突协调，也不能自动判断哪些需求值得投入资源。
“写代码从来都不是难点”，这种说法之所以刺耳，是因为它把抽象、架构、调试和长期维护压缩成了单一的代码书写动作。
从局部预测到权限判断，AI 的操作范围扩大；人类职责则从执行转向定义、约束与问责。
过去编程的难点往往不只是把算法写成代码，还包括管理业务规则、历史代码、兼容性要求、性能约束和未来需求。擅长管理上下文的人，更容易有效使用 LLM；不擅长管理上下文的人，并不会因为有了模型而自动获得这种能力。
预测单行或局部代码。
人类几乎覆盖全部需求理解、审查与控制。
生成函数、模块、测试和文档。
选择方案、补充背景并检查结果。
读取代码库、运行命令、修改多个文件、测试并迭代修复。
处理异常，确认结果是否满足真实需求。
判断终端操作是否安全，并决定拦截或升级。
从逐条批准转向策略设计与最终责任。
AI 编程的核心竞争力不只是生成代码的准确率，还包括持续维护任务上下文、理解代码库状态、选择正确工具、识别风险，并在失败后采取可解释的恢复路径。
职业变化不是平均发生的：重复工作越多，自动化冲击越直接；治理范围越大，最终责任越集中。
如果模型持续提高代码生成、测试、重构和工具调用能力，程序员的稀缺性将从“能不能写出代码”部分转向“能不能定义正确问题、管理复杂上下文、识别错误方案并对结果负责”。
不要把自己的理解力、判断力、同理心和品位外包给 AI，也不要沦为 AI 的人肉代理。开发者的核心任务将越来越像是在管理一个高产但需要约束的自动化系统。
任务复杂度与上下文不确定性，决定了 AI 能力的边界和人类判断的份量。
“写代码很容易”和“写代码很难”并非完全互斥，它们对应的是不同复杂度、不同上下文的软件任务。点越大，表示需要承担的系统后果越重。
因此，AI 时代更准确的表述不是“代码不重要了”，而是“代码不再是唯一的价值载体”。模型会让部分代码更便宜，但让正确建模、可靠验证和对系统后果负责变得更加重要。