开发者对工具的信任源于熟练度和可预测性，而新型 AI 编程工具虽然能快速生成代码，却因其不确定性破坏了这种信任。要重建这种信任，仅靠新工具是不够的；关键在于重塑开发流程，强调人类的最终责任，建立明确的协作规范和需求定义，并培育一种能够明智地集成 AI 的文化，从而在新的开发模式中恢复系统的可靠性。
工具是开发者能力的延伸
长期以来，开发者对工具的选择一直存在争论，例如功能强大的集成开发环境 (IDE) 与高度可定制的终端编辑器（如 Vim 和 Emacs）之间的对比。对于经验丰富的用户来说，后者可以成为一种近乎本能的工具。
- 熟练度建立信任： 开发者投入时间掌握并定制自己的工具，使其成为自己能力的延伸。这种“肌肉记忆”和无意识的能力，让开发者能够信任工具来高效、准确地完成工作。
- 可定制性至关重要： 像 Vim 和 Emacs 这样的工具因其无限的可定制性而备受青睐，它们可以被精确地塑造成符合个人工作流程的形态。
“我之所以对某些 AI 编程工具持保留态度，是因为我用我的 IDE 更快，我知道它如何工作。我的手指知道该做什么。” - Tricia Gee，开发者生产力倡导者
AI 带来的悖论：效率提升，信任下降
AI 编程，或称“代理式工程”，正在改变开发模式。开发者通过自然语言与终端对话，可以在极短时间内生成整个应用程序。然而，这种效率的提升伴随着信任的侵蚀。
- 使用率与信任度的反差： 一项开发者调查显示，随着 AI 工具使用率从 76% 上升到 84%，开发者对其的信任度却从 40% 下降到 29%。
- 缺乏可预测性： AI 工具本身是新的，其能力在不断变化，就像一把形状、重量和锋利度都随时改变的刀，很难建立信任。
- 模糊性对抗精确性： 传统的开发工具，如 IDE 或静态分析器，有明确的功能边界。而 AI 则不同，它使用模糊的自然语言来生成本应精确的代码。
“代码是对解决方案的精确陈述。而英语在表达必须明确无误的事情上是一种糟糕的语言。” - Bjarne Stroustrup, C++ 创始人
当新工具打破旧流程
代理式编程工具从根本上改变了软件开发流程的性质，导致旧流程中建立的信任机制失灵，并产生了新的瓶颈。
- 失效的配套工具： 围绕旧流程建立的工具（如代码检查器、自动化单元测试、CI/CD）可能不再适用于 AI 生成的代码。
- 文化与流程的重要性： 工具本身无法修复流程。如果组织文化和行为规范不改变，一个有缺陷的流程即使配上更好的工具，依然是有缺陷的。
- 新的瓶颈：代码审查： AI 能瞬间生成数百行代码，给人工审查带来了巨大压力。审查者要么耗费大量时间，要么只能草草通过。
- “免费”代码的隐藏成本： AI 生成代码看似免费，但其验证、基础设施运行以及潜在的生产故障成本却非常高昂。
重塑 AI 时代的信任体系
修复因 AI 而破裂的开发流程，不能仅仅依赖工具。核心在于通过改进流程和文化来重新注入信任。
1. 明确人类的最终责任
与其说是“人在回路中”，不如承认人是回路的创造者和所有者。
“人在回路中听起来像是一种怜悯的邀请。我创造了这个回路，我拥有这个回路，我是这个回路存在的唯一原因。这是我的循环！” - Charity Majors, Honeycomb 首席技术官
- 责任归属： 提交代码的开发者对代码负全责，批准合并请求的人也同样负责。不能将问题归咎于 AI 工具。
2. 改进协作与透明度
AI 可能让开发者陷入“一人孤岛”，削弱团队协作。因此，需要建立新的协作规范。
- 共享工作过程： 建议团队在共享环境中进行 AI 提示词编写，以便所有人都能评论和修改。
- 过程透明化： 在合并请求中包含与 AI 的对话记录，这能让审查者更好地理解代码的生成思路和解决问题的过程。
3. 将隐性知识显性化
AI 的输出质量高度依赖于输入的明确性。任何模糊之处都可能导致意想不到的结果。
- 明确需求： 必须在提示词中明确说明所有需求。例如，如果需要为特定架构（如 ARM）构建应用，就必须明确指出。
- 提供正确上下文： 将公司内部的隐性知识（如资深开发者的经验）整理并验证，作为上下文提供给 AI，以确保代码符合规范。
- 坚持 DRY 原则： AI 倾向于“写两次所有东西”（WET），导致代码库冗余。应建立机制，促进组件的重用，而不是反复生成。
4. 知道何时不使用 AI
最关键的技巧或许是判断何时应该避免使用 AI。对于已经有可靠确定性解决方案的场景，没有必要用不确定的 AI 来重新发明轮子。
“我们正试图将非确定性系统应用于许多本应使用确定性代码的场景……LLM 不擅长这些，所以我们为什么要把它们当作解决所有问题的锤子？” - Anil Dash
最终，过去的信任建立在人和工具的可预测性之上。AI 的概率性和快速迭代打破了这一点。成功的团队不会是那些生成代码最多的团队，而是那些能够建立有效反馈循环、管理高质量知识库，并通过深思熟虑的流程来保留人类判断力的团队。