AI 時代的工程師，該往哪裡走？

前言

上一篇我們看了四篇論文，得出一個結論 —— AI 目前仍有三大顯著邊界：

過度使用 AI 會侵蝕個人技能的深度
AI 在長期程式碼維護中容易累積技術債、引發衰退
AI 在架構設計、高階判斷、跨模態評估上，仍遠不如人類

這讓很多工程師陷入一種奇怪的處境：

「我知道 AI 有極限，但我又不能不用它。到底該怎麼辦？」

這篇文章想回答這個問題。不是叫你「多用 AI」，也不是叫你「抵制 AI」，而是談一件更根本的事：

在 AI 工具普及的當下，工程師的核心價值究竟是什麼，又應該把精力放在哪裡。

先釐清一件事：AI 取代的不是「工程師」，而是「某類型的工作」

很多人把「AI 會不會取代工程師」當成一個是非題，但這個問法本身就是錯的。

更準確的問法是：AI 會取代哪些「工程師工作內容」？

從前一篇論文的結果，我們可以大致描繪出 AI 擅長與不擅長的邊界：

AI 擅長快速產出可運行的程式碼，但是不擅長長期多輪的架構演進
AI 擅長找 Bugs、可讀性問題，但是不擅長設計層級的決策（解決率較低）
AI 擅長產生標準文件、測試案例，但是不擅長需求的判斷與溝通

我們可以得出一個結論是：

越靠近「執行層」的工作，AI 越能取代；越靠近「判斷層」的工作，人類越有優勢。

如果執行層逐漸被 AI 接管，那工程師的核心競爭力就必須往「判斷層」移動。

具體來說，有四個方向值得深入：

發展高階系統思維與架構設計能力
深化專家的「緘默知識」與主觀判斷
維持認知參與，防止技能退化
擔任「AI 評審與架構師」的角色

發展高階系統思維與架構設計能力

「系統性思維」與「架構設計能力」不僅是工程師應該朝向的目標，更是工程師在 AI 時代保持競爭力與監督能力的關鍵核心。

AI 難以應對「設計層級」的複雜決策

研究顯示，AI 雖然擅長產出程式碼，但在處理複雜的架構考量時表現較弱。

解決率極低： 在 code review 中，工程師解決 AI 提出的「程式碼設計 (Design)」評論的機率最低（僅 28.6%），因為這類問題通常涉及複雜的架構考量，需要更深層的理解與更廣泛的改動。

缺乏全局視野： AI 目前更擅長學習顯性的、局部的程式碼規範（如 Pylint 分數），但在處理隱性的、全局的品質指標（如可維護性指標 MI score）上，表現全數落後於人類專家。

人類更重視「長期維護性」與「抽象化」

SWE-CI 論文的核心發現是：AI 會為了短期通過測試，可能會採用 hardcode 的解法，不一定會考慮長期的架構健康度。

人類工程師專家在寫程式時，往往會投入額外的程式碼進行抽象化、封裝與模組化。AI 傾向於生成最精簡的改動來滿足眼前需求，但這往往是以犧牲長期的架構健康為代價；相比之下，人類的方案雖然較不簡潔，卻能透過更優雅的邏輯達成更高的可維護性。

架構設計是處理「無標準答案」任務的核心

架構設計需要的東西，目前 AI 還沒有辦法完整提供：

對業務脈絡與組織現實的理解（技術債是否能被接受？）
在多個合理方案之間做出有取捨意識的選擇
對「未來的不確定性」有所預判

LLM-as-a-Judge 的論文第六項限制也有提到：LLM 在「軟體架構設計、形式化驗證、從零建構完整函式庫」這類複雜任務上能力不足，且無法準確分辨不同替代方案間的細微差異。

這意味著越往系統設計的深處走，人類的優勢就越明顯。

值得投資的能力包括：

系統設計與可演化性思維： 不只是讓程式跑起來，而是設計出能在未來三年都好維護的架構。這種「對未來負責的決策」，需要跨越多個時間點的責任感，AI 沒有這個誘因。

對 safety-critical 系統、安全驗證、並發邏輯有深入理解的工程師，在 AI 的領域裡擁有不可替代的位置。

深化專家的「緘默知識」與主觀判斷

隨著 AI 成為內容生成的代勞者，人類的競爭力將轉移到那些 AI 難以模擬的經驗與直覺上。

人類專家在多年實踐中發展出的直覺與決策過程（緘默知識），是 AI 目前尚無法完全捕捉的核心。

對於「什麼是好的設計」或「可讀性」等模糊概念，並沒有放之四海皆準的定義，人類需要定義並引導 AI 符合特定的團隊慣例與設計模式。

前面也有提到架構設計是處理「無標準答案」任務的核心。在沒有標準答案且需做取捨（trade-offs）的情境下，人類具備處理「評分不確定性」與「團隊偏好」的判斷力，這在軟體演進中至關重要。

LLM-as-a-Judge 的論文指出有根本性的盲點：AI 傾向假設存在單一的「黃金標準」並且有「冗長偏見」、「自我中心偏見」等認知扭曲。這說明 AI 難以處理的，是那些沒有標準答案、需要在多個合理方案之間做取捨的判斷。

對工程師而言，這個方向具體包含：

能說清楚「為什麼這個比那個好」，而不只是說「這個比較好」。這種帶有脈絡的判斷力，是 AI 無法系統性複製的。

培養對「團隊偏好與慣例」的敏感度。 論文特別提到 AI 會抹煞「團隊的慣用偏好」，而這種對組織文化與風格的理解，恰恰只能靠人與人之間的長期互動積累。

主動培養判斷力

我們必須培養有意識地在做技術決策時「寫下你的理由」。不只記錄「做了什麼」，而是記錄「為什麼這樣做，捨棄了什麼」。這個習慣可以帶我們變成用架構師的角度，用更高維度的思維來看整件事情。

維持認知參與，防止技能退化

過度依賴 AI 會導致核心開發技能的流失，人類必須刻意維持對底層邏輯的掌握。

如果工程師放棄了概念理解，將失去驗證與修補 AI 錯誤程式碼的技能。現在人類的角色已經逐漸將轉向「監督者」，而監督者必須比執行者更有能力識別錯誤。

「How AI Impacts Skill Formation」這篇研究警告，使用 AI 可能損害工程師的概念理解與除錯能力。工程師應採取「主動參與」的模式（例如：詢問 AI 概念、要求解釋），而非單純的複製貼上，以確保技能的不斷精進。

用「主動犯錯」來維持人類技能的底線

這是第一篇論文給我們最反直覺的啟示：對照組（沒有 AI）的工程師，因為遭遇了更多錯誤並獨立解決，反而學到了更多。

這不是說要拋棄 AI，而是說：刻意在某些場景下不使用 AI，是維持技能深度的必要投資。

具體做法：

在學習新技術時，先不開 AI，試著自己讀文件、自己卡關、自己找出解法。等到對核心概念有了感覺，再引入 AI 加速。
設計一個每週的「無 AI 任務」，維持獨立思考的肌肉記憶。
在 Code Review 時，先自己判斷問題所在，再對照 AI 的意見，而不是直接讓 AI 替你思考。

擔任「AI 評審與架構師」的角色

系統性思維是監督 AI 的必要條件

若工程師放棄了系統性思維與概念理解，將面臨嚴重的技能退化。如果人類失去對核心原則的理解，將無法判斷 AI 生成的程式碼是否使用了正確的設計模式，也無法在 AI 出錯時進行有效的調試。

研究發現，過度依賴 AI 會損害工程師的概念理解與除錯能力；只有保持認知參與（如詢問概念問題而非直接生成程式碼），才能在獲取效率的同時保有專業技能。

明確劃分 AI 的「授權邊界」

SWE-CI 論文揭示了一個關鍵問題：AI 在單次任務中表現優秀，但在多輪迭代中容易累積技術債。這意味著：AI 的授權應該隨著任務的複雜度和影響範圍而縮小。

實務上可以這樣設計：

高授權： AI 直接輸出單元測試、文件撰寫，輕度人工 review
中授權： AI 提供方案針對功能修改、bug fix，人類審查後 merge
低授權： AI 針對架構設計、跨模組重構只做輔助參考，人類主導決策
最低授權： Auth 與 Payment 等等影響範圍極大的任務最不適合完全自動化，應該人類負責，但不是說不能使用 AI，而是 AI 應只作為輔助工具

這個的核心邏輯是：任務的影響範圍越廣，AI 的授權就應該越保守。

AI 做草稿，人類做審查

很多團隊已經在用 AI 做 Code Review，但 Code Review 論文告訴我們：AI 評論的整體未被解決率高達 60–70%，主因是「缺乏清晰度、不夠精簡、與當前程式碼缺乏關聯性」。

這表示「把 AI 的 review 結果直接丟給工程師」是一個低效模式。

更好的做法是：

AI 先掃描，輸出分類後的評論清單（Bugs / 可讀性 / 維護性）
人類審查者決定哪些評論值得追蹤，過濾掉無關的雜訊
只有通過人類篩選的評論，才進入正式的 Review 流程

這樣的結構讓 AI 發揮它擅長的「系統性掃描」，同時保留人類在「上下文判斷」上的優勢。

這是第一篇論文（How AI Impacts Skill Formation）給我們最直接的警告：如果工程師因為過度使用 AI 而失去了「獨立除錯與驗證」的能力，他們未來將無法有效地監督與審查 AI 的輸出。

換句話說：你必須強到足以判斷 AI 是否在胡說，否則你只是 AI 的傳聲筒。

這不是在否定 AI 的價值，而是在說：能有效驗證 AI 輸出的工程師，跟只會使用 AI 輸出的工程師，在未來的市場上價值差距會越來越大。

結語：清醒地使用，才能真正受益

我認為有效的協作體系，建立在一個清晰的原則上：AI 負責「生成」，人類負責「決策」。

不要把時間花在讓自己「更像 AI」的方向上（更快寫程式、更多產出）。要把時間花在讓自己「更不像 AI」的地方 —— 有品味、有深度、能跨越模態做整合判斷。

這四篇論文給我最深的感受是原來「AI 有極限」這件事，不只是我的直覺，而是有數據支撐的現實。這讓我可以更清醒地問自己：在 AI 工具的邊界之內，我想要成為什麼樣的工程師？

AI 幫我們承擔了大量的執行負擔，這本來是好事。但如果我們把釋放出來的時間，只是拿去讓 AI 幫我們做更多的執行，而不是把精力投入在判斷、架構、溝通這些只有人類能做好的地方。

那我們只是在做一件事：用更快的速度，跑向一個能力越來越薄的未來。