GRIT

外观

AI First Software：从“人写软件”到“AI生产软件”的范式迁移 ​

原文地址

AI First Software：软件工程正在从“写代码”转向“定义反馈循环” | GitHub

过去几十年，软件行业默认有一个核心前提：

软件是给人使用的，代码是给人编写的。

但这个前提，正在被大模型（LLM）彻底打碎。

当我们开始认真思考下面两个假设时，会发现整个软件产业的结构都可能发生根本变化。

两个关键假设 ​

假设1：AI 能以超越人类数百倍的速度编写代码 ​

如果 AI 写代码的速度远超人类，那么真正限制软件生产效率的，就不再是“编码速度”。

而是：

  • 如何定义正确性；
  • 如何降低不确定性；
  • 如何让 AI 自我验证；
  • 如何让 AI 持续进入下一层反馈循环。

也就是说：

软件工程的核心，会从“写代码”转向“定义反馈机制”。

假设2：AI 已经成为主要价值生产者 ​

过去的软件：

  • IDE 是给人用的；
  • API 是给人调用的；
  • 文档是给人阅读的；
  • UI 是给人操作的。

但如果未来真正持续生产价值的是 AI Agent，那么：

我们就必须开始“为 AI 构建工具”。

这意味着：

  • Tool 要 AI-friendly；
  • API 要可推理；
  • Context 要可组合；
  • Spec 要可验证；
  • Workflow 要支持 Agent 自主循环。

未来的软件生态很可能变成：

  1. 人类开发者为 AI 构建工具；
  2. AI 使用这些工具为普通用户生成应用；
  3. 一切软件都开始 AI First 化。

软件工程正在从“编码”转向“上下文工程” ​

很多人以为 AI Coding 的核心是：

  • 更强的模型；
  • 更好的代码生成；
  • 更大的上下文窗口。

但真正重要的，其实是：

Context Engineering（上下文工程） ​

因为 LLM 本质上不是“程序”。

它是：

基于上下文进行概率推断的系统。

所以未来开发者最重要的能力，不再只是：

  • 写代码；
  • 学框架；
  • 背 API。

而是：

  1. 理解 LLM 工作原理；
  2. 理解 Prompt Design；
  3. 理解 Context Construction；
  4. 理解如何为 AI 构建 Tools。

Prompt 已经不是“提问技巧” ​

很多人仍把 Prompt 当成：

“怎么问 AI”。

但在 Agent 系统里，Prompt 已经演化成：

  • 工作流定义；
  • 状态机；
  • 工具编排；
  • 行为约束；
  • 自反馈机制。

Prompt 不再只是自然语言。

而是：

AI Runtime 的一部分。

个人开发者与企业开发者的 AI 分化 ​

AI Coding 在个人开发者和企业开发者身上的价值，其实完全不同。

个人开发者：追求“解决问题” ​

对于独立开发者来说：

结果正确即可。

AI 可以：

  • Vue 写一半 React；
  • SQL 风格不统一；
  • 架构不优雅；
  • 命名不规范。

都没关系。

因为：

  • 目标是快速验证；
  • 目标是快速上线；
  • 目标是快速试错。

AI 极大降低了：

  • MVP 成本；
  • 创业门槛；
  • 软件生产成本。

所以 AI 对独立开发者是巨大利好。

企业开发者：追求“过程正确” ​

但企业软件不是这样。

企业开发的核心不是“能跑”。

而是：

  • 符合既定架构；
  • 符合团队规范；
  • 满足可维护性；
  • 满足审计；
  • 满足稳定性；
  • 满足协作一致性。

所以企业真正需要的是：

AI 按照预定义规范生成代码。

这时候：

  • Prompt 不够；
  • Chat 不够；
  • Cursor 不够。

企业需要的是：

Spec ​

SDD（Spec Driven Development）正在兴起 ​

Spec 不是“需求文档”。

Spec 的本质是：

AI 的反馈系统定义。

也就是说：

  • 什么算正确；
  • 什么算通过；
  • 如何验证；
  • 如何进入下一层循环。

这和传统开发流程高度一致。

软件工程的本质一直是“反馈循环” ​

在没有 AI 之前，开发者的工作模式是：

Inner Cycle（内循环） ​

  1. 写代码；
  2. 编译；
  3. 调试；
  4. 修复；
  5. 单元测试。

Outer Cycle（外循环） ​

  1. 部署测试环境；
  2. 集成测试；
  3. QA；
  4. 灰度；
  5. 生产发布。

整个软件工程，本质上就是：

一层层反馈循环（Feedback Loop）。

AI 真正改变的是“循环速度” ​

AI 并没有改变软件工程本身。

它改变的是：

每一层循环的速度。

比如：

如果 AI 可以： ​

自动调用编译器 ​

那么 AI 就能：

  • 自行读取错误日志；
  • 自行修复编译错误；
  • 直到编译通过。

如果 AI 可以： ​

自动运行单元测试 ​

那么 AI 就能：

  • 自行分析测试失败；
  • 自行修复逻辑；
  • 直到测试通过。

如果 AI 可以： ​

自动部署 + 自动验证 ​

那么 AI 就能：

  • 自动进入外循环；
  • 自动完成迭代；
  • 自动逼近 Spec。

于是：

软件工程开始变成： ​

“AI 自驱动的多层反馈系统”。

真正重要的能力：为 AI 构建 Tool ​

未来开发者最重要的能力之一：

是为 AI 构建可调用工具。

因为：

LLM 本身并不可靠。

真正可靠的是：

  • Tool；
  • Verification；
  • Feedback；
  • Runtime；
  • Workflow。

Agent 的核心不是“会聊天” ​

真正的 Agent：

不是：

  • 会对话；
  • 会生成代码；
  • 会写文档。

而是：

能自主进入下一层反馈循环。

这意味着：

  • 会调用工具；
  • 会读取结果；
  • 会判断正确性；
  • 会修复错误；
  • 会继续执行。

Multi-Agent + Skills 会成为标准工作流 ​

未来的软件开发，很可能不是：

一个 AI。

而是：

  • Planner Agent；
  • Coding Agent；
  • Review Agent；
  • Testing Agent；
  • Deploy Agent。

每个 Agent：

  • 拥有不同 Skill；
  • 使用不同 Tool；
  • 共享统一 Spec；
  • 共同完成 Outer Cycle。

这本质上已经非常接近：

AI Software Organization（AI 软件组织）。

OpenSpec 的真正适用场景 ​

很多人误以为：

OpenSpec 是 AI 编程框架。

其实它更像：

AI 软件工程规范层。

它尤其适合：

  • 大型独立需求；
  • 一人负责到底；
  • 强上下文连续性；
  • 强反馈循环。

最难的问题其实不是生成代码。

而是：

分工协作与一致性维护。 ​

因为多人 + 多 Agent 场景下：

  • Context 会漂移；
  • 代码风格会分裂；
  • Spec 会失真；
  • Feedback 会不一致。

所以：

未来真正重要的能力之一是：

如何构建“可持续共享上下文”。

Prompt Cache 命中率会成为关键指标 ​

最近看到一个非常有意思的工程实践：

Harness 团队把 LLM Agent 的 Prompt Cache 命中率做到 90%。

这意味着：

  • Agent 不再每次重新理解项目；
  • 不再重复消耗大量 token；
  • 不再重复建立上下文。

本质上：

Context 正在变成一种新的工程资产。

未来的软件架构里：

  • Context Layer
  • Memory Layer
  • Tool Layer
  • Verification Layer

可能会和：

  • Database
  • API
  • Service

一样重要。

Anthropic 已经开始用“国家安全”视角看 AI ​

最近 [Anthropic 的研究文章《2028 AI Leadership》](https://www.anthropic.com/research/2028-ai-leadership?utm_source=chatgpt.com) 很值得关注。

它传递了一个非常明确的信号：

Frontier AI 已经不再只是商业技术。

而是：

  • 国家战略资源；
  • 新型基础设施；
  • 地缘政治核心能力。

Anthropic 的核心观点包括：

  • AI 竞争窗口期只有 12~24 个月；
  • AI 很可能在 2028 前参与 AI 自身研发；
  • “AI autonomously improving AI” 概率很高；
  • Frontier AI 会越来越像冷战时期的核技术竞争。

这意味着：

AI 行业正在从：

  • 开放互联网创新；

转向：

  • 国家级技术竞争。

AI 公司正在“国家化” ​

这也是过去一年最明显的趋势之一。

无论是 [Anthropic](https://www.anthropic.com?utm_source=chatgpt.com) 还是 [OpenAI](https://openai.com?utm_source=chatgpt.com)：

都开始越来越强调：

  • 国家安全；
  • AI 主权；
  • 芯片；
  • 算力；
  • 安全治理；
  • 战略优势。

他们已经不再只是：

SaaS 公司。

而更像：

  • AI 基础设施公司；
  • 国家战略合作方；
  • 新时代工业能力节点。

AI 时代：决策者比执行者更重要 ​

这是很多技术人容易忽略的一点。

在 AI 能大规模承担执行工作的时代：

“执行能力”会逐渐被稀释。

真正稀缺的，会变成：

  • 决策；
  • 目标定义；
  • 反馈机制设计；
  • Spec 构建；
  • Workflow 编排；
  • Context 管理。

也就是说：

未来最重要的人，不一定是：

最会写代码的人。

而是：

最会定义系统目标与反馈循环的人。

未来的软件形态 ​

未来的软件可能会越来越像：

现在： ​

人操作软件。

未来： ​

AI 操作工具，为人动态生成软件。

于是：

  • App 数量会爆炸；
  • 软件生命周期会缩短；
  • 软件会越来越临时化；
  • UI 会越来越动态生成；
  • API 会越来越 Agent-Oriented。

甚至：

“软件”这个概念本身都可能被弱化。

最终用户看到的：

可能只是：

一个持续进化的 AI Interface。

最后的问题 ​

如果 AI 最终能完成：

  • 写代码；
  • 调试；
  • 测试；
  • 部署；
  • 迭代；
  • 优化；
  • 研发 AI 自身。

那么：

未来开发者真正需要学习的，可能已经不是：

  • 某个框架；
  • 某个语言；
  • 某个工具。

而是：

如何定义目标、约束、反馈与系统。 ​

因为：

AI 只是执行者。

而 Spec、Context 与 Decision，才是未来真正的核心生产力。

Copyright © 2023-present JY