【深度解读】Martin Fowler：AI 时代，软件工程的“确定性”终结与重生
前两周，软件开发领域的泰斗级人物 Martin Fowler 做客了《The Pragmatic Engineer》播客。作为一个见证了从汇编语言到高级语言跃迁、签署了《敏捷宣言》的行业老兵，他对这一波 AI 浪潮的看法既不盲目狂热，也不悲观抵触，而是透着一种“经历过大风大浪”后的务实与冷静。
这期长达 110 分钟的访谈干货满满，如果你没有时间听完全程，这里有一份核心观点的深度总结。Martin Fowler 认为，AI 对软件工程的冲击，是我们职业生涯中面临的最大一次变革。
以下是这次访谈的五个关键洞察：
1. 从“确定性”到“非确定性”的思维跃迁
Fowler 指出，AI 带来的最大改变并非抽象层级的再次提升，而是底层的确定性被打破了。
- 过去： 编程是确定性的。同样的输入，永远得到同样的输出。代码非黑即白。
- 现在： LLM（大语言模型）是非确定性的。同样的 Prompt，两次生成的结果可能截然不同。
这意味着软件工程师需要借鉴结构工程师（如桥梁设计者）的思维—— “容差”（Tolerance） 。就像木材和混凝土的物理性能存在波动，工程师必须在设计中留有余量以应对最坏情况。在 AI 辅助编程的时代，我们不能再预设代码产出是完美的，必须学会处理这种模糊性和不确定性。
2. 警惕“氛围编程”（Vibe Coding）的陷阱
现在流行一种叫 "Vibe Coding" 的说法：你只管告诉 AI 你想要什么，只要它能跑起来就行，不用管它怎么写的。Fowler 对此发出了严厉的警告。
他分享了一个真实案例：一位同事用 AI 生成了一个 SVG 图表。后来只需微调一下标签位置，结果打开源码一看，AI 生成的代码逻辑复杂得离谱。原本手写只需十几行的代码，现在变成了无法维护的“黑盒”。
核心风险在于切断了“学习循环”（Learning Loop）。 编程的本质是“想法 -> 代码 -> 反馈 -> 修正”的学习过程。如果你完全依赖 AI 生成且不阅读代码，你不仅失去了对系统的掌控权，也停止了作为工程师的成长。
3. AI 的杀手级应用：解读“遗留代码”（Legacy Code）
如果说 AI 写新代码有风险，那么它在解读旧代码上则是神器。ThoughtWorks 技术雷达已将“用 AI 辅助理解遗留系统”列为最高推荐级别。
每个在大公司待过的人都知道，接手一套文档缺失、原作者离职的 10 年老代码是多么痛苦。现在的 AI 可以像考古学家一样，帮你：
- 梳理数据流向；
- 解释晦涩的模块关系；
- 快速建立对系统的整体认知。
虽然 AI 无法解决因糟糕的决策（比如办公室政治导致的架构选型）带来的人为复杂性，但它能让你更快地看清现状。
4. 把 AI 当作“能力强但不靠谱的实习生”
如果你正在使用 Cursor 或 Copilot，Fowler 建议你调整心态：不要把它当上帝，要把它当成一个非常聪明、但不仅会犯错还喜欢撒谎的实习生。
- 审查机制： 这个“实习生”提交的每一行代码（PR），你都必须亲自审查。不能因为它看起来像那么回事就直接合并。
- 测试为王： 在 AI 时代，自动化测试的重要性不降反升。由于 AI 产出的不确定性，测试成为了防止系统崩溃的最后一道防线。
5. 给工程师的建议：重构与判断力
在访谈的最后，Fowler 强调了在这个时代依然不变、甚至更重要的技能：
- 重构能力： AI 能快速生成大量代码，也能快速制造大量“技术债务”。识别坏味道并持续重构的能力，是防止代码库腐烂的关键。
- 概率思维： 推荐阅读丹尼尔·卡尼曼的《思考，快与慢》。软件开发充满了概率问题（Bug 复现率、用户行为预测），培养概率思维能帮你做出更好的决策。
- 写作能力： 推荐阅读《The Power Broker》。清晰的写作反映了清晰的思考，这对工程师至关重要。
结语
Martin Fowler 的态度非常务实：先用起来。不要被各种理论吓倒，也不要急着站队。在实际使用中去理解 AI 的边界，在实践中打磨你的判断力。
技术在剧变，但观察、思考、写作、分享，这些工程师的立身之本，从未改变。
