AI 时代到底应该学什么

热点换得太快

今年的热点已经换了好几茬：年初还在聊 Harness，年中变成 Loop Engineering，现在又开始讲 Graph Engineering。名字一个接一个，每个都说自己是下一代工作方式。

一开始我也觉得这些都是全新领域，得一个一个从头学。后来我发现，这些东西背后的内容还是软件工程那一套：复杂度怎么拆、协作怎么组织，这些问题二十年前就有，变的只是实现手段——以前靠人写代码、人定流程，现在多了一层 AI 参与。皮在变，芯没怎么变。

所以我的判断是：与其追热点，不如学那些不变的、或者至少短期不会变的东西。底子有了，新概念来了再去看它到底新在哪，这样反而学得快。

AI 工程说到底是个管理问题

现在流行的 Vibe Coding 和各种 AI 工程化，拆开看其实是同一件事：管理。你要管理一堆 Agent 去协作，要调度、要分工、要验收结果，这就是管理问题。当然管理不能只靠嘴，得有技术手段保证它有效——这块长出来的就是架构。

这也是我经常跟组员说、建议他们去考系统架构师的原因。考这个证不代表架构水平马上上一个台阶，它的价值在于逼你把系统架构设计完整过一遍，把「先看结构再看代码」的思维建立起来。这个思维在 AI 时代特别有用：通过 Vibe Coding 堆出来的应用起步很快，但复杂度一上来、需求一迭代，没有架构能力兜底，项目大概率会失败。代码可以让 AI 生成，结构得有人把握。

软件工程的历史在重演

把这几年 AI 应用的发展和以前的软件工程史对比着看，轨迹几乎是重合的。

软件一开始是单体架构，复杂度上来就开始拆服务。AI 也一样：一开始在一个对话里处理所有事，对话多了、任务复杂了，就拆出了 Sub Agent。同一个拆分动作。
规模化之后就是复杂系统怎么管的问题。以前软件工程给出的答案是微服务、云原生、Kubernetes。最近 OpenAI 的一些动作也隐隐透出这个趋势，ChatGPT、Codex 都在往云端走，往规模化调度走。
还有安全治理。以前管的是服务之间的权限和攻击面，现在要管 Agent 的权限、AI 应用的安全。对象换了，题还是那道题。

以前写代码也是先垒上去再说，复杂度和规模上来以后，才长出云原生这一套：服务化、弹性、可观测性、韧性、自动化、零信任、可演化。最近的这些 AI 发展在做同样的事，只是对象换成了 Agent 和 AI 应用，实现上多了让 AI 参与调度决策而已。

基础打牢，水来土掩

之前有个流行的梗：AI 时代只要你学得慢，就可以不用学，反正新技术很快过期。

我的看法正好相反。基础打得越牢，新技术来了越不用慌：每个新概念出来，你都能用第一性原理快速看穿它，映射回软件工程里已有的内容。当然也有真新的部分，比如模型能力本身的跃迁，上下文长度、推理成本，这些该跟进还是要跟进；但工程层面的概念——工作流、编排、治理——大部分是在重演。

所以当前阶段我的学习策略可以总结成一条原则：把软件工程和基础理论学扎实，别的来了再说。

下次再看到一个新概念，我准备用这三个问题过一遍，当成一个固定清单：

它解决的是什么老问题？
这个问题以前在软件工程里对应什么？
真正新的部分在哪？

答不上来，要么是我还没理解透，要么它就是换皮。