发生了什么

这篇文章讨论人工智能写程序带来的另一个问题。作者认为，真正的难点不一定是程序由人工智能写成。更大的问题是，人们可能不再了解系统架构，也不再知道过去为什么作出某个选择。

Hacker News（分享和讨论技术文章的网站）关注了这篇文章。候选资料记录了247个积分和158条评论。这些数字说明它受到了较多关注。它们不能证明文章一定正确。

背景

文章介绍了Claude Code（帮助人写程序的人工智能工具）。文中引用的一则职场经历称，人工智能参与制作了规格说明、程序、测试、任务单和报告。发帖人还说，人们长时间给人工智能下指令，却没有足够时间阅读结果。这只是一个被引用的职场故事。文章没有证明所有公司都如此工作。

作者承认，在某些工作和规模下，人工智能可以写出一般水平的程序。它有时也能改善原本较差的程序。这些是作者的观察，不是适用于所有情况的统计结论。

问题在于，人仍然要决定做什么产品，选择怎样的语言和结构，还要知道以后怎样修改。只会不断提问，却不了解产品背景的人，可能会失去重要的知识。文章也用数据工程举例，说明业务知识仍然影响判断。

为什么重要

人工智能让制作第一版程序变得更快。这样一来，难点可能从能不能写出来，变成能不能解释整个系统，能不能检查决定，以及以后能不能安全修改。

这就是可维护性的重要性。可维护性指程序完成后，仍然容易检查、修理和改变。如果没有人知道设计的原因，新的人工智能修改可能不断堆积，最后让系统更难理解。制作更快，也可能带来更多需要维护的内容。

文章并不是简单地说人工智能程序很差。它强调，人仍然需要提出目标、判断取舍，并保留重要决定背后的理由。

已确认的范围

可以确认的是，这是一篇根据作者观察和多则引用写成的观点文章。也可以确认，它在Hacker News上获得了明显关注。但现有资料没有提供公司调查、故障率比较，或人工智能写程序直接导致维护失败的统计数据。

还不知道什么

我们不知道这种工作方式在多少公司出现。我们也不知道，使用人工智能后，错误是否一定比过去更多。人工智能能承担多少设计和维护工作，也可能取决于产品规模、团队经验和风险大小。

接下来关注

接下来可以观察团队是否记录设计理由，是否留出检查时间，以及之后修理程序需要多久。如果这些数据被公开，讨论就能从个人印象走向实际比较。人工智能可以加快制作，却不会自动承担决定目标和解释原因的责任。

来源：原文文章