最近，一篇题为《AI Makes the Easy Part Easier and the Hard Part Harder》的文章在 Hacker News 上引发了热议。
文章的作者讲述了一个看似悖论的观点：
AI 让"简单的事"变得更简单，却让"难的事"变得更难。
这听起来反直觉，但读完之后，很多开发者的第一反应是："这不就是我吗？"
✅ AI 把这些变简单了
不得不承认，AI 确实在某些方面大幅提升了效率。
1. 写代码本身
"Vibe coding" 成为了一个新词汇。只需用自然语言描述需求，AI 就能生成代码。写个脚本、做个原型、搭个 MVP——这些以前需要半天的工作，现在可能只需要 10 分钟。
2. 查资料和写文档
不用再在 Google、Stack Overflow、GitHub Issues 之间反复跳转。AI 直接给出答案，省去了大量检索和筛选的时间。
3. 重复性测试任务
让 AI 跑通自动化测试、生成测试报告，这些 " grunt work " 确实变快了。
结论：AI 擅长处理那些重复性高、模式清晰的任务。写代码本身——从来都是开发工作中最简单的环节。
❌ 但这些变难了
问题在于：写代码从来都是最容易的部分。真正让程序员头疼的，从来不是 "写"，而是以下这些。
1. 审查代码变得更难
AI 生成的代码，看起来像模像样，但你真的敢直接合并吗？
"AI 生成的代码，本质上是别人写的代码。我们失去了在 '写代码' 过程中积累的上下文，却要花更多精力去理解一个陌生人的代码。"
审查一份自己写的代码和审查一份 AI 生成的代码，难度完全不同。后者没有commit历史、没有设计思路、没有任何上下文。
2. 调查能力被绕过
以前遇到问题，我们会 Google、看文档、读源码、跑调试——这个过程让我们真正理解问题。
现在呢？很多开发者直接问 AI：
"AI 帮我做了。"
但这就意味着你没有经过自己的调查验证，你没有上下文来判断 AI 给的答案是否适用于你的场景。
3. 时间可能不增反降
文章作者分享了一个亲身经历：
"我让 AI 改一个文件，它把 500 行代码删成了 100 行。我问它为什么，它说它没删。后来发现文件本来就不存在？我找出 git history 给它看，它才道歉。"
"在医疗代码库里发生这种事，后果不堪设想。"
"我花在跟 AI 吵架和恢复代码上的时间，比我自己写那个测试还久。"
AI assistance can cost more time than it saves.
4. 代码质量期望被拉高，但疲劳也在累积
管理者看到 AI 带来的效率提升，往往会产生新的预期：
"上次一周做完的，这次三天行不行？" "上次交付这么快的，这次应该也能吧？"
当 "快速交付" 成为新的 baseline，没有人愿意慢下来。疲劳、赶工、漏测——这些最终会吃掉 AI 带来的所有收益。
🧠 核心洞察：AI 是"高级技能，低级信任"
文章作者提出了一个精准的比喻：
AI 就像一个刚从街上走进来的天才。
它读代码很快，写代码也很高效，但它没有参加过上周的会议，不知道那个产品需求的背景，不了解团队的技术债务，更不知道为什么当初要选择这个方案。
它很聪明，但你必须像审查一个初级工程师一样审查它的产出。
🦄 我们的尝试：Glint
1. 一个真实的困境
问题在于：写代码从来都是最容易的部分。真正让程序员头疼的，从来不是 "写"，而是以下这些。
但最矛盾的地方在于：当 AI 帮我们省下了 "写" 的时间，我们却发现审查和验证的压力更大了。
尤其是当我们把 AI 应用于自动化测试时——
AI 可以跑完所有测试用例，生成一份看起来很完美的报告。 但屏幕上那个按钮好像歪了一点？ 那个弹窗的颜色对比度是不是不够？ 这个交互逻辑，用户真的能看懂吗？
这些问题，AI 很难判断。但人工审查 hundreds 个测试用例，成本又太高。
2. Glint
我们自己也在做 AI 驱动的产品（一个 AI 测试工程师）。在这个过程中，我们遇到了一个真实的问题：
AI 跑完测试后，视觉和交互层面的问题由谁来验证？
现在，我们开始内部尝试一个工具，叫 Glint。
我们的想法很简单：
既然"审查"变难了，那我们就为这个环节提供一个人机协作的桥梁。
当前状态：Glint 还是一个内测产品，我们自己也在跑通整个流程。它的核心思路是：
AI Agent 跑测试 → Glint 收集结果 → 人工标注问题区域 → AI Agent 自动修复
这不是一个"完全自动化"的故事。我们相信，在 AI 彻底学会判断视觉和交互之前，人类的判断力依然不可替代。Glint 的目标，是让这种人类判断变得可记录、可追溯、可复用于 AI。
3. Glint 目前的核心功能
- 📦 Allure 解析：直接解析测试结果，提取截图和视频
- 🎨 截图、视频、步骤标注：在失败用例的截图上直接拖拽标记错误区域
- 🔄 结构化评审数据：存储人工标注的上下文，供 AI Agent 读取
- 📊 构建历史追溯：记录每次构建的状态变化趋势
4. 长期愿景
Glint 的最终目标，是实现：
AI Agent 自驱动地完善所有 UI 自动化测试。
现在的 V1.0 阶段，我们还在内测和迭代中。但我们相信，这个方向是解决"AI 让审查变难"这个问题的可行路径之一。
最后
AI 时代，开发者在什么环节真正需要人类？
也许是判断力、是上下文理解、是对质量的坚持。
工具会进化，但这些能力永远不会过时。
Glint，让 AI 学会自动改进。
参考文献
- 《AI Makes the Easy Part Easier and the Hard Part Harder》- Matthew Hansen (Hacker News, 215 points, 430+ comments)
