【CSDN 編者按】AI 寫代碼已經不稀奇了，寫得又快又多的人也越來越多。但在“高效開發”的神話背后，代碼評審越來越難做、協作越來越混亂、質量控制越來越吃力，才是團隊真實的日常。為此，本文作者從“寫代碼從來不是瓶頸”這一觀點出發，深入探討了當前 LLM 對軟件開發流程的實際影響。

原文鏈接：https://ordep.dev/posts/writing-code-was-never-the-bottleneck

作者 | Pedro Tavareλ

編譯 | 鄭麗媛

出品 | CSDN（ID：CSDNnews）

投稿或尋求報道 | zhanghy@csdn.net

多年來，我一直堅信：寫代碼，從來都不是軟件開發中的瓶頸。

真正的瓶頸是什么？是代碼評審，是通過帶教與結對編程傳遞知識，是測試與調試，是溝通與協作帶來的“人類開銷”……這些環節層層疊加，嵌套在一張張工單、一場場會議和一次次敏捷儀式的迷宮中。這些流程本意是為了提升開發質量，卻往往比編寫代碼本身更耗費時間和精力，因為它們需要深思熟慮、共識理解和合理判斷。

如今，隨著大語言模型（LLM）能更快地生成可運行的代碼，一種新的觀點開始流行起來：編碼曾是瓶頸，而我們終于攻克了它。

但事實并非如此：借助大語言模型，生成新代碼的邊際成本正在趨近于零——但理解、測試并信任這些代碼的代價呢？你需要對此投入的時間和精力，可能比以往任何時候都要高。

大語言模型只是轉移了工作量，而沒有消除

像 Claude 這樣的工具，確實能加速初始實現過程，但最終結果往往是：系統中流入了更多代碼，給負責審查、集成和維護的人員帶來更大壓力。

這一點在以下幾種場景中尤為明顯：

● 代碼提交者對生成的代碼是否完全理解，尚不明確；

● 生成的代碼引入了團隊不熟悉的模式，或違反既有規范；

● 邊界情況、隱藏副作用不容易被察覺。

最終我們會面臨這樣一個局面：代碼更容易產出，但驗證、理解和維護卻更復雜，致使團隊整體效率未必能因此提升。

這也不是什么新問題，畢竟“復制粘貼式開發”這個調侃，開發者們早已不陌生。只是大語言模型帶來的生成速度和規模，進一步放大了這種復制粘貼的習慣。

寫代碼不難，理解代碼才難

有句話說得好：“代碼的最大成本在于理解，而不是編寫。”

大語言模型確實縮短了代碼產出的時間，但要想真正理解其行為、排查細微 Bug、保證其長期可維護性，依然是一個高成本的智力任務。尤其當審查者難以判斷哪些代碼是 AI 寫的、哪些是人寫的，甚至連“為什么要這么實現”都無法理解時，維護難度只會進一步上升。

軟件開發的本質，從來都不是孤島

本質上來說，軟件工程是一個高度協作的工作過程，依賴于共同的理解、目標一致性以及老帶新的經驗傳承。但現在，當代碼生成速度遠超過討論和審查速度時，團隊可能會陷入一個誤區：默認代碼是“對的”，即“假設”質量達標，而不是認真驗證以“確保”質量達標。

這種心態會給審查者和導師帶來巨大壓力，導致整體流程在看似“自動化”的表象下，其實更加脆弱和緩慢。

LLM 確實很強，但并未解決根本問題

沒錯，大預言模型的確能顯著提升原型開發、框架搭建和部分自動化流程的效率。但它無法替代清晰的思考、細致的審查和合理的架構設計。如果說有什么不同的話，只能說隨著生成代碼增多，這些能力變得更加重要。

沒錯，編碼成本確實下降了；但作為一個團隊，一起搞懂代碼的成本，并沒有變低——這才是我們真正的瓶頸，不要再自欺欺人了。

網友熱議：寫得快，不代表就是對的；生成得多，不代表質量就夠

以上這篇文章在 HN 上引起了開發者們的高度關注和討論，越來越多的一線工程師開始意識到，大模型正在放大軟件工程中最難啃的那塊骨頭：理解、審查和協作。

一位資深開發者在評論區分享了自己的真實經歷：他在帶實習生的過程中發現，借助 LLM，他們的代碼產出速度大幅提升，一天的量抵得上過去一兩周。但表面效率提升背后，是一場認知負債的積累：

● 實習生寫的代碼“像是對的”，但其實錯得離譜；

● 看起來干凈的提交，實際隱藏著無數邊界問題；

● 代碼結構復雜得不合理，審查意見很難被真正理解；

● 讓修改也不是改原有的 PR，而是重新提交一個全新方案，結果又是新的復雜問題。

這并不是個例。另一位開發者也表達了類似的看法：雖然 LLM 可以加速代碼生成，但真正耗時的是后續的代碼清理、Bug 排查、安全審查、重構和優化——這些過程沒法“自動化”，也沒人愿意做。

此外，還有開發者從更高的視角指出：“寫代碼，早已不是稀缺技能了。”他提到，如今和幾十年前不同，行業已經從“誰能寫出系統”演進到“誰知道該做什么系統”了。當年比爾·蓋茨能靠寫代碼吃飯，是因為那是當時最稀缺的能力；而現在，代碼早已“過剩”，市場需求和判斷力才是制勝關鍵。

這也再次印證了原文的觀點：寫代碼的邊際成本在下降，但“理解代碼、協作構建”的邊際成本反而在上升。所以，當我們在談論 LLM 提升了“效率”時，不妨多問一句：它提升的是誰的效率？在哪個環節？代價又是什么？

● 是初級工程師提 PR 更快了，還是高級工程師花了更多時間清掃后路？

● 是產品交付周期縮短了，還是產品質量變得不可控了？

● 是每人能生成更多代碼了，還是真正讀懂這些代碼的人更少了？

大模型沒錯，它確實是很強大的工具，但任何工具都只是放大器 —— 它放大的可能是你的能力，但也可能會放大你的短板。

AI 產品爆發，但你的痛點解決了嗎？

2025 全球產品經理大會

8 月 15–16 日

北京·威斯汀酒店

互聯網大廠、AI 創業公司、ToB/ToC 實戰一線的產品人

12 大專題分享，洞察趨勢、拆解路徑、對話未來。

立即掃碼領取大會PPT

搶占 AI 產品下一波紅利