在AI coding时代软件工程的基本功不仅没有过时反而比以往任何时候都更加重要。AI是放大器好的代码库能提升效率而模糊混乱的代码库则会放大混乱。接口、边界、领域语言和测试等“老派”的基本功是开发者手中杠杆率最高的武器。文章介绍了如何将工程理念揉进Agent时代的工作流并通过开源项目mattpocock/skills展示了这些理念的实际应用。我们正处于一个容易产生错觉的时期看着大模型瞬间吐出几百行代码不禁会想既然代码生成的成本越来越低那软件工程的那些条条框框——接口设计、架构边界、测试覆盖——是不是就没那么重要了以后写好 Prompt 把需求喂给模型不就行了大不了不满足就重新生成Matt Pocock 在他最近的一场演讲里给这种想法泼了一盆冷水。 在 AI coding 时代软件工程的基本功不仅没有过时反而比以往任何时候都更加重要原因很简单AI 是放大器。如果你有一个边界清楚、接口稳定、反馈回路完整的代码库AI 会成倍提升你的效率但如果你的项目本身就依赖模糊、术语混乱AI 只会以极快的速度帮你把 “屎山” 堆得更高。这篇文章我们将跟随 Matt 的视角重新审视在 AI Coding 时代为什么接口、边界、领域语言和测试这些“老派”的基本功反而成了开发者手中杠杆率最高的武器。最后我们还会聊聊他最近爆火的 mattpocock/skills 仓库看看他是如何将这些工程理念直接揉进 Agent 时代的工作流中的。原视频[Fundamentals Matter More Than Ever — Matt Pocock]https://www.youtube.com/watch?vv4F1gFy-hqgSoftware要点速览AI coding 时代软件工程基本功不是退场而是升值。 接口、边界、测试、反馈回路、统一语言这些“老派”的基本功 决定了 AI 是帮你放大优势还是帮你放大混乱。specs-to-code从规格直接生成代码最大的问题不是模型偶尔写错而是它会诱导你过早放弃设计责任。 你以为自己在提效实际上是在给系统持续注入熵。坏代码在 AI 时代更贵。 因为 AI 在好代码库里会放大优势在坏代码库里会放大混乱。“AI 没做成我想要的东西”通常不是模型太笨而是你和模型没有共享同一个设计概念。 这也是Grill Me需求深度拷问这类做法有价值的原因。AI 太啰嗦本质上是你和它没有统一语言。ubiquitous language解决的不是文档整洁而是降低 AI 偏航成本。反馈回路就是速度上限。 类型系统、浏览器环境、自动化测试都重要但更重要的是逼模型小步前进。深模块比浅模块更适合 AI。 接口薄、内部厚既减轻人的认知负担也降低模型迷路的概率。AI 更像战术执行者人类更应该回到战略设计。 你该多花时间定义接口、边界、模块地图和质量标准。【1】specs-to-code 为什么这么诱人但又这么危险specs-to-code规格直接生成代码。你先写一份规格说明再让模型把它直接变成代码如果哪里不对就回头改 spec重新运行一遍系统就会吐出新代码。表面看这像是软件开发的“自动编译器时代”。Matt 之所以反对它不是因为模型偶尔会写错而是因为这条路会把一个更严重的问题藏起来它会诱导你越来越少看代码越来越少思考系统设计。他自己试过这条路。第一次跑先得到一些代码第二次跑代码更差第三次跑代码更乱。最后你会发现你不是在得到一个会自我修复的系统而是在一遍遍把系统推向熵增。这也是整场演讲最先立住的判断specs-to-code不是在自动化软件设计它更像是在自动化软件退化。你以为自己在做减法实际上是在把本该由人承担的结构责任提前扔掉。而这恰好说明AI 越强软件工程基本功越不能撤资。【2】为什么 Matt 会说坏代码现在比历史上任何时候都更贵演讲里最有冲击力的一句话是 Matt 直接反对“代码已经很便宜”这套说法。更准确地说便宜的是生成一段代码这个动作真正变贵的是坏代码。这个判断之所以成立是因为 AI 改变了“坏代码的代价结构”。过去坏代码的代价主要体现为人改起来慢、容易出 bug、新人接手成本高到了今天坏代码还会直接拖垮 AI 的发挥。所以“坏代码更贵”不是另一个主题而是一个结果AI 把软件工程基本功的回报率拉得更高了。因为 AI 在好代码库里会读到清晰接口、稳定反馈、可预测边界但在坏代码库里它读到的是噪音、模糊依赖和错误自由度。结果就是好代码库会放大 AI 的能力坏代码库会吞掉 AI 的红利。所以“代码变便宜”这句话如果只指“生成一段代码的动作更便宜”那没问题但只要一进入维护、修改、测试、理解这些真正决定长期成本的环节这句话反而更不成立。【3】AI 没做成你想要的东西问题往往不在模型而在共享设计概念Matt 把第一个失败模式说得很直接很多人抱怨“AI 没做成我想要的东西”但问题通常不是模型太弱而是你和模型之间没有形成共享的design concept(设计概念)。design concept可以理解成一种看不见的共同理解。它不是某份单独的 markdown 文档而是你和协作者对“我们到底在造什么”这件事的隐性共识。人和人一起设计东西时需要它人和 AI 一起设计时同样需要它。这也是Grill Me这个 skill 有意思的地方。它不急着产出计划而是先把你摁住一路追问这个需求还有哪些分叉这个决策依赖什么这个约束到底是不是硬约束只有当这些问题被问透了AI 才开始真正动手。这背后的方法论并不复杂先对齐“我们在造什么”再讨论“怎么造”。 很多返工不是发生在实现阶段而是发生在最前面的概念没有对齐。共享design concept说到底是在把最前面的设计基本功补回来。【4】AI 太啰嗦不是表达问题而是你们没有统一语言第二个高频失败模式是 AI 非常啰嗦而且越聊越偏。Matt 的处理方式不是去追一个更“克制”的模型而是回到 DDD也就是领域驱动设计里的ubiquitous language。对团队来说ubiquitous language本来是为了让开发和业务讲同一种术语对 AI 来说它变成了另一件更实际的事让模型的规划、讨论和实现都围绕同一套词表和同一张概念地图运转。这件事看上去像文档工作实际上是在降低偏航成本。因为模型很多时候不是不会写而是不知道你说的“订单”“模块”“workspace”“发布”“版本”在当前系统里到底是什么意思。Matt 的做法很实用扫描代码库和规划材料把关键术语整理成一份 markdown 文档然后在规划和实现时反复使用。根据他的观察这件事不只会让 AI 讲得更少废话还会让实现结果和最初计划更对齐。统一语言不是润色文档而是在给 AI 协作打地基。【5】反馈回路不是配料而是速度上限到了第三类失败模式问题从“做错方向”变成了“方向对了但做出来的东西还是不能用”。Matt 给出的第一反应非常传统类型系统、浏览器环境、自动化测试这些反馈回路一个都不能少。但他随后又点了一个更关键的问题就算这些反馈回路都在模型也未必会正确使用它们。它很容易一口气做太多事情先吐出一大坨代码再想起来要不要 type check、要不要跑测试。《The Pragmatic Programmer》里有个说法叫outrunning your headlights意思是车开得比车灯照得还快。Matt 把它借过来之后给了一个非常适合 AI 时代的判断反馈的速度就是你的速度上限。这句话的含义很重。它等于在说真正限制 AI 编码速度的不是 token 速度也不是补全速度而是你能多快拿到可信反馈。反馈回路也不是配套设施而是今天最贵的一项工程基本功。【6】TDD 真正重要的不是教条而是强迫 AI 小步前进所以 Matt 会把 TDD 放到这么高的位置。不是因为 TDD 神圣而是因为它能强迫 LLM 小步前进。先写测试让测试失败再做最小实现让测试通过最后再重构。这套节奏的本质不是形式主义而是把“验证”前移成每一步的硬约束。Matt 还强调了一点测试之所以一直难不只是因为写断言本身难而是因为测试里充满相互依赖的决策。你测多大的单元、mock 什么、验证哪些行为这些选择是连在一起的。也正因为如此他才会把问题继续往下挖真正适合 AI 的不只是“有测试”而是天然更容易测试的代码库。TDD 在这里重要不是因为它神圣而是因为它把基本功变成了能一轮一轮执行的工作节奏。【7】深模块为什么同时减轻 AI 和人的认知负担Matt 给出的答案是deep modules。所谓深模块就是接口尽量简单但内部功能可以很厚与之相对浅模块看起来拆得很细实际上功能不多接口却很复杂。这两种结构在 AI 时代的差异非常大。浅模块多的代码库会让模型在大量细碎节点之间来回穿梭。它不是完全不会探索代码而是很容易因为结构太散、依赖太乱在错误的位置浪费上下文。深模块的好处则是双向的。对 AI 来说它只需要先理解模块边界和接口就能在很多情况下完成实现对人来说你也不必每次都把所有细节同时装进脑子里而是可以先守住接口设计和用途判断。这也是 Matt 后面那句建议的基础设计接口把实现委托出去。 真正值得人长期盯住的是边界、模块地图和接口质量而不是每一行内部实现。深模块不是品味问题而是 AI coding 时代很现实的一项架构基本功。【8】AI 时代的人类角色不是少思考而是更多做战略设计到这里整场演讲其实已经把人和 AI 的分工说得很清楚了。AI 更像一个战术执行者一个在一线不断改代码的“地面程序员”而人更该回到战略层去做系统设计上的判断。这里说的人类角色升级不是少做基本功而是把几项最关键的基本功从执行层上移到设计层。这个战略层具体包括什么其实就是几项必须继续由人掌舵的基本功模块边界怎么划接口应该长什么样哪些术语必须统一哪些反馈回路必须先建好哪些模块可以交给 AI 放手实现哪些地方必须人工严审Matt 引用 Kent Beck 的那句“每天都要继续投资系统设计”其实就是整场演讲的最终收束。因为specs-to-code最大的问题不是它想提效而是它在诱导你从设计上撤资。看了他怎么说再看他怎么做mattpocock/skills 本质上是在把基本功 workflow 化如果说前面这场演讲是在讲判断那 Matt 最近开源的mattpocock/skills就是把这套判断直接做成了工程动作。这个仓库已经有 58.2k stars。它之所以爆火不只是因为作者本人有影响力而是因为这套仓库几乎把他在演讲里的核心观点一条条落实成了可执行的工作流与他的理念相辅相成。仓库地址https://github.com/mattpocock/skills这个仓库最值得注意的地方不是它又提供了一批 prompt而是它的设计理念和这场演讲几乎是同一套话。仓库首页的标题叫 Skills For Real Engineers强调的也不是vibe coding而是小、可改、可组合而且不要把整个过程交给 AI 接管。换句话说他不是在替你发明一条“AI 可以绕开软件工程”的新路而是在把软件工程基本功重新编码进 agent workflow。你几乎可以一一对上前面讲过的几个问题。前面说“AI 没做成你想要的东西”他对应做了/grill-me和/grill-with-docs先逼自己把需求、约束和分叉问清楚。前面说“AI 太啰嗦本质上是没有共享语言”他对应做了CONTEXT.md、ADR 和/grill-with-docs把统一术语和关键决策沉淀下来。前面说“反馈回路就是速度上限”他对应做了/tdd和/diagnose把测试驱动和诊断闭环变成日常动作。前面说“AI 会更快把系统推向 ball of mud”他对应做了/to-prd、/zoom-out、/improve-codebase-architecture强迫自己持续回到模块、边界和架构设计。所以看完这个仓库你会发现一件很重要的事Matt 不是嘴上说“基本功重要”而是真的在把这些基本功产品化、流程化、可复用化。 这也是它为什么会在这么短时间里被大量开发者接受。大家未必会完全照搬这套 skills但很多人都能立刻看懂它背后的方法论。这件事对我们自己的启发也很直接。真正值得学的不一定是把这个仓库一比一搬回去而是学他这一步不要让 AI 替你绕开基本功而是把基本功写进工作流让 AI 在这些轨道上跑。可以快速借鉴到项目落地到点这两天看完 Matt Pocock 这个演讲视频以及他在 Github 上热度很高的开源项目mattpocock/skills。我觉得下面几个小点是非常值得个人或团队学习和借鉴的。1. 在让 AI 真正动手前先需求深度拷问让它追问你把需求以及设计概念问清楚。2. 给当前项目建立一份统一语言文档让规划和实现使用同一套术语。3. 不要只给模型报错日志要给它小步反馈回路尤其是类型检查、浏览器反馈和自动化测试。4. 优先把相关代码收进深模块而不是继续堆浅层碎片。5. 把自己的时间从“盯每一行实现”挪到“定义接口、边界和质量标准”上。收尾一下很多时候我们容易把工具的进化误当成自身能力的跃升。代码生成的速度越来越快但它也悄悄隐藏了一个代价系统崩坏的速度同样可以变得极其惊人。Matt Pocock 的这场演讲与其说是在强调基本功不如说是给 AI 时代的开发者指明了一条真正的护城河。接口、边界、测试和深模块设计这些过去用来对抗系统复杂度的手段现在成了我们驾驭 AI、不被机器产出的海量代码反噬的唯一缰绳。这也解释了为什么mattpocock/skills这样不教捷径、只谈工程流的项目会引发如此大的共鸣。最近几个月被反复讨论的Harness Engineering本质上就是应用软件工程的思维来指导 Ai Coding 时代的项目落地所以软件工程基本功比以往任何时候都更加重要。我们得想想自己现有的工程素养能不能兜得住 AI 带来的庞大产能? 在学习和使用ai工具提效的同时也要回归到软件工程本身把基本功练到极致软件工程师是不能在代码里丢失掌控感的。小白/程序员如何系统学习大模型LLM由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
收藏！AI时代，软件工程基本功才是你的核心竞争力
在AI coding时代软件工程的基本功不仅没有过时反而比以往任何时候都更加重要。AI是放大器好的代码库能提升效率而模糊混乱的代码库则会放大混乱。接口、边界、领域语言和测试等“老派”的基本功是开发者手中杠杆率最高的武器。文章介绍了如何将工程理念揉进Agent时代的工作流并通过开源项目mattpocock/skills展示了这些理念的实际应用。我们正处于一个容易产生错觉的时期看着大模型瞬间吐出几百行代码不禁会想既然代码生成的成本越来越低那软件工程的那些条条框框——接口设计、架构边界、测试覆盖——是不是就没那么重要了以后写好 Prompt 把需求喂给模型不就行了大不了不满足就重新生成Matt Pocock 在他最近的一场演讲里给这种想法泼了一盆冷水。 在 AI coding 时代软件工程的基本功不仅没有过时反而比以往任何时候都更加重要原因很简单AI 是放大器。如果你有一个边界清楚、接口稳定、反馈回路完整的代码库AI 会成倍提升你的效率但如果你的项目本身就依赖模糊、术语混乱AI 只会以极快的速度帮你把 “屎山” 堆得更高。这篇文章我们将跟随 Matt 的视角重新审视在 AI Coding 时代为什么接口、边界、领域语言和测试这些“老派”的基本功反而成了开发者手中杠杆率最高的武器。最后我们还会聊聊他最近爆火的 mattpocock/skills 仓库看看他是如何将这些工程理念直接揉进 Agent 时代的工作流中的。原视频[Fundamentals Matter More Than Ever — Matt Pocock]https://www.youtube.com/watch?vv4F1gFy-hqgSoftware要点速览AI coding 时代软件工程基本功不是退场而是升值。 接口、边界、测试、反馈回路、统一语言这些“老派”的基本功 决定了 AI 是帮你放大优势还是帮你放大混乱。specs-to-code从规格直接生成代码最大的问题不是模型偶尔写错而是它会诱导你过早放弃设计责任。 你以为自己在提效实际上是在给系统持续注入熵。坏代码在 AI 时代更贵。 因为 AI 在好代码库里会放大优势在坏代码库里会放大混乱。“AI 没做成我想要的东西”通常不是模型太笨而是你和模型没有共享同一个设计概念。 这也是Grill Me需求深度拷问这类做法有价值的原因。AI 太啰嗦本质上是你和它没有统一语言。ubiquitous language解决的不是文档整洁而是降低 AI 偏航成本。反馈回路就是速度上限。 类型系统、浏览器环境、自动化测试都重要但更重要的是逼模型小步前进。深模块比浅模块更适合 AI。 接口薄、内部厚既减轻人的认知负担也降低模型迷路的概率。AI 更像战术执行者人类更应该回到战略设计。 你该多花时间定义接口、边界、模块地图和质量标准。【1】specs-to-code 为什么这么诱人但又这么危险specs-to-code规格直接生成代码。你先写一份规格说明再让模型把它直接变成代码如果哪里不对就回头改 spec重新运行一遍系统就会吐出新代码。表面看这像是软件开发的“自动编译器时代”。Matt 之所以反对它不是因为模型偶尔会写错而是因为这条路会把一个更严重的问题藏起来它会诱导你越来越少看代码越来越少思考系统设计。他自己试过这条路。第一次跑先得到一些代码第二次跑代码更差第三次跑代码更乱。最后你会发现你不是在得到一个会自我修复的系统而是在一遍遍把系统推向熵增。这也是整场演讲最先立住的判断specs-to-code不是在自动化软件设计它更像是在自动化软件退化。你以为自己在做减法实际上是在把本该由人承担的结构责任提前扔掉。而这恰好说明AI 越强软件工程基本功越不能撤资。【2】为什么 Matt 会说坏代码现在比历史上任何时候都更贵演讲里最有冲击力的一句话是 Matt 直接反对“代码已经很便宜”这套说法。更准确地说便宜的是生成一段代码这个动作真正变贵的是坏代码。这个判断之所以成立是因为 AI 改变了“坏代码的代价结构”。过去坏代码的代价主要体现为人改起来慢、容易出 bug、新人接手成本高到了今天坏代码还会直接拖垮 AI 的发挥。所以“坏代码更贵”不是另一个主题而是一个结果AI 把软件工程基本功的回报率拉得更高了。因为 AI 在好代码库里会读到清晰接口、稳定反馈、可预测边界但在坏代码库里它读到的是噪音、模糊依赖和错误自由度。结果就是好代码库会放大 AI 的能力坏代码库会吞掉 AI 的红利。所以“代码变便宜”这句话如果只指“生成一段代码的动作更便宜”那没问题但只要一进入维护、修改、测试、理解这些真正决定长期成本的环节这句话反而更不成立。【3】AI 没做成你想要的东西问题往往不在模型而在共享设计概念Matt 把第一个失败模式说得很直接很多人抱怨“AI 没做成我想要的东西”但问题通常不是模型太弱而是你和模型之间没有形成共享的design concept(设计概念)。design concept可以理解成一种看不见的共同理解。它不是某份单独的 markdown 文档而是你和协作者对“我们到底在造什么”这件事的隐性共识。人和人一起设计东西时需要它人和 AI 一起设计时同样需要它。这也是Grill Me这个 skill 有意思的地方。它不急着产出计划而是先把你摁住一路追问这个需求还有哪些分叉这个决策依赖什么这个约束到底是不是硬约束只有当这些问题被问透了AI 才开始真正动手。这背后的方法论并不复杂先对齐“我们在造什么”再讨论“怎么造”。 很多返工不是发生在实现阶段而是发生在最前面的概念没有对齐。共享design concept说到底是在把最前面的设计基本功补回来。【4】AI 太啰嗦不是表达问题而是你们没有统一语言第二个高频失败模式是 AI 非常啰嗦而且越聊越偏。Matt 的处理方式不是去追一个更“克制”的模型而是回到 DDD也就是领域驱动设计里的ubiquitous language。对团队来说ubiquitous language本来是为了让开发和业务讲同一种术语对 AI 来说它变成了另一件更实际的事让模型的规划、讨论和实现都围绕同一套词表和同一张概念地图运转。这件事看上去像文档工作实际上是在降低偏航成本。因为模型很多时候不是不会写而是不知道你说的“订单”“模块”“workspace”“发布”“版本”在当前系统里到底是什么意思。Matt 的做法很实用扫描代码库和规划材料把关键术语整理成一份 markdown 文档然后在规划和实现时反复使用。根据他的观察这件事不只会让 AI 讲得更少废话还会让实现结果和最初计划更对齐。统一语言不是润色文档而是在给 AI 协作打地基。【5】反馈回路不是配料而是速度上限到了第三类失败模式问题从“做错方向”变成了“方向对了但做出来的东西还是不能用”。Matt 给出的第一反应非常传统类型系统、浏览器环境、自动化测试这些反馈回路一个都不能少。但他随后又点了一个更关键的问题就算这些反馈回路都在模型也未必会正确使用它们。它很容易一口气做太多事情先吐出一大坨代码再想起来要不要 type check、要不要跑测试。《The Pragmatic Programmer》里有个说法叫outrunning your headlights意思是车开得比车灯照得还快。Matt 把它借过来之后给了一个非常适合 AI 时代的判断反馈的速度就是你的速度上限。这句话的含义很重。它等于在说真正限制 AI 编码速度的不是 token 速度也不是补全速度而是你能多快拿到可信反馈。反馈回路也不是配套设施而是今天最贵的一项工程基本功。【6】TDD 真正重要的不是教条而是强迫 AI 小步前进所以 Matt 会把 TDD 放到这么高的位置。不是因为 TDD 神圣而是因为它能强迫 LLM 小步前进。先写测试让测试失败再做最小实现让测试通过最后再重构。这套节奏的本质不是形式主义而是把“验证”前移成每一步的硬约束。Matt 还强调了一点测试之所以一直难不只是因为写断言本身难而是因为测试里充满相互依赖的决策。你测多大的单元、mock 什么、验证哪些行为这些选择是连在一起的。也正因为如此他才会把问题继续往下挖真正适合 AI 的不只是“有测试”而是天然更容易测试的代码库。TDD 在这里重要不是因为它神圣而是因为它把基本功变成了能一轮一轮执行的工作节奏。【7】深模块为什么同时减轻 AI 和人的认知负担Matt 给出的答案是deep modules。所谓深模块就是接口尽量简单但内部功能可以很厚与之相对浅模块看起来拆得很细实际上功能不多接口却很复杂。这两种结构在 AI 时代的差异非常大。浅模块多的代码库会让模型在大量细碎节点之间来回穿梭。它不是完全不会探索代码而是很容易因为结构太散、依赖太乱在错误的位置浪费上下文。深模块的好处则是双向的。对 AI 来说它只需要先理解模块边界和接口就能在很多情况下完成实现对人来说你也不必每次都把所有细节同时装进脑子里而是可以先守住接口设计和用途判断。这也是 Matt 后面那句建议的基础设计接口把实现委托出去。 真正值得人长期盯住的是边界、模块地图和接口质量而不是每一行内部实现。深模块不是品味问题而是 AI coding 时代很现实的一项架构基本功。【8】AI 时代的人类角色不是少思考而是更多做战略设计到这里整场演讲其实已经把人和 AI 的分工说得很清楚了。AI 更像一个战术执行者一个在一线不断改代码的“地面程序员”而人更该回到战略层去做系统设计上的判断。这里说的人类角色升级不是少做基本功而是把几项最关键的基本功从执行层上移到设计层。这个战略层具体包括什么其实就是几项必须继续由人掌舵的基本功模块边界怎么划接口应该长什么样哪些术语必须统一哪些反馈回路必须先建好哪些模块可以交给 AI 放手实现哪些地方必须人工严审Matt 引用 Kent Beck 的那句“每天都要继续投资系统设计”其实就是整场演讲的最终收束。因为specs-to-code最大的问题不是它想提效而是它在诱导你从设计上撤资。看了他怎么说再看他怎么做mattpocock/skills 本质上是在把基本功 workflow 化如果说前面这场演讲是在讲判断那 Matt 最近开源的mattpocock/skills就是把这套判断直接做成了工程动作。这个仓库已经有 58.2k stars。它之所以爆火不只是因为作者本人有影响力而是因为这套仓库几乎把他在演讲里的核心观点一条条落实成了可执行的工作流与他的理念相辅相成。仓库地址https://github.com/mattpocock/skills这个仓库最值得注意的地方不是它又提供了一批 prompt而是它的设计理念和这场演讲几乎是同一套话。仓库首页的标题叫 Skills For Real Engineers强调的也不是vibe coding而是小、可改、可组合而且不要把整个过程交给 AI 接管。换句话说他不是在替你发明一条“AI 可以绕开软件工程”的新路而是在把软件工程基本功重新编码进 agent workflow。你几乎可以一一对上前面讲过的几个问题。前面说“AI 没做成你想要的东西”他对应做了/grill-me和/grill-with-docs先逼自己把需求、约束和分叉问清楚。前面说“AI 太啰嗦本质上是没有共享语言”他对应做了CONTEXT.md、ADR 和/grill-with-docs把统一术语和关键决策沉淀下来。前面说“反馈回路就是速度上限”他对应做了/tdd和/diagnose把测试驱动和诊断闭环变成日常动作。前面说“AI 会更快把系统推向 ball of mud”他对应做了/to-prd、/zoom-out、/improve-codebase-architecture强迫自己持续回到模块、边界和架构设计。所以看完这个仓库你会发现一件很重要的事Matt 不是嘴上说“基本功重要”而是真的在把这些基本功产品化、流程化、可复用化。 这也是它为什么会在这么短时间里被大量开发者接受。大家未必会完全照搬这套 skills但很多人都能立刻看懂它背后的方法论。这件事对我们自己的启发也很直接。真正值得学的不一定是把这个仓库一比一搬回去而是学他这一步不要让 AI 替你绕开基本功而是把基本功写进工作流让 AI 在这些轨道上跑。可以快速借鉴到项目落地到点这两天看完 Matt Pocock 这个演讲视频以及他在 Github 上热度很高的开源项目mattpocock/skills。我觉得下面几个小点是非常值得个人或团队学习和借鉴的。1. 在让 AI 真正动手前先需求深度拷问让它追问你把需求以及设计概念问清楚。2. 给当前项目建立一份统一语言文档让规划和实现使用同一套术语。3. 不要只给模型报错日志要给它小步反馈回路尤其是类型检查、浏览器反馈和自动化测试。4. 优先把相关代码收进深模块而不是继续堆浅层碎片。5. 把自己的时间从“盯每一行实现”挪到“定义接口、边界和质量标准”上。收尾一下很多时候我们容易把工具的进化误当成自身能力的跃升。代码生成的速度越来越快但它也悄悄隐藏了一个代价系统崩坏的速度同样可以变得极其惊人。Matt Pocock 的这场演讲与其说是在强调基本功不如说是给 AI 时代的开发者指明了一条真正的护城河。接口、边界、测试和深模块设计这些过去用来对抗系统复杂度的手段现在成了我们驾驭 AI、不被机器产出的海量代码反噬的唯一缰绳。这也解释了为什么mattpocock/skills这样不教捷径、只谈工程流的项目会引发如此大的共鸣。最近几个月被反复讨论的Harness Engineering本质上就是应用软件工程的思维来指导 Ai Coding 时代的项目落地所以软件工程基本功比以往任何时候都更加重要。我们得想想自己现有的工程素养能不能兜得住 AI 带来的庞大产能? 在学习和使用ai工具提效的同时也要回归到软件工程本身把基本功练到极致软件工程师是不能在代码里丢失掌控感的。小白/程序员如何系统学习大模型LLM由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
