从纺织机到代码工厂：AI时代，软件开发的下一章
《AI时代，软件开发的下一章》系列 · 篇一
一个全栈开发者的观察、思考与实践
先讲一个老故事
1733年，英国人约翰·凯发明了飞梭。
在这之前，梭子要靠两个人站在织机两侧手动抛接，布越宽人越多。凯给梭子装了滑轨和弹射绳——拉一下，梭子自动弹过去再弹回来。一个人干两个人的活，速度翻倍。
纺织工们恨透了这个东西。他们砸机器、烧工厂、追杀凯本人，逼得凯逃到法国客死他乡。
但历史没有因此停下。
后来水力织布机出现了，蒸汽机出现了，自动换梭装置出现了。每一次升级，机器都从人手里接过一项工作。到了20世纪中叶，传感器能自动检测断线、控制张力，人终于从织布这件事里完全退出。
现在，同样的故事正在软件行业重演。AI就是我们这个时代的飞梭。
不过今天我不打算讨论「程序员会不会被取代」这种问题——这就像1733年讨论「织布工会不会消失」一样，格局太小了。
我想聊的是：如果织布这件事终将全自动化，那下一代纺织机应该长什么样？
我们现在在哪
纺织业的自动化经历了四个阶段：
| 阶段 | 发明 | 解放了什么 | 人还需要做什么 |
|---|---|---|---|
| 手工 | — | — | 所有事情 |
| 半机械 | 飞梭（1733） | 不用两个人传梭 | 踩踏板、换线、盯质量 |
| 动力驱动 | 水力/蒸汽织机 | 不用脚踩了 | 接断线、换梭、调张力 |
| 全自动 | 传感器 + 电控 | 不用盯了 | 设计产品、管理工厂 |
对比一下软件行业：
| 阶段 | 工具 | 解放了什么 | 人还需要做什么 |
|---|---|---|---|
| 手工 | Eclipse / IntelliJ | — | 所有事情 |
| 半自动 ← 我们在这 | Copilot / Cursor / Claude | 不用逐行手写了 | 理解系统、审代码、定架构、调bug |
| 自动化 | ???（下一代） | 不用盯每行代码了 | 定义意图、做决策、解冲突 |
| 自治 | ???（远期） | 不用管过程了 | 定义目标、验收结果 |
看到了吗？我们现在就站在第二阶段。
AI帮我们解决了「动力」问题——你给它一段描述，它哗哗地就把代码「织」出来了。但这台机器经常「断线」（写出bug），换一块「布料」（切换任务）还要人来，多台「织机」之间怎么配合（系统架构）完全靠人脑。
用大白话说：AI现在就是一台转速极快、但没装传感器的织机——织得飞快，但断了线自己不知道。
如果你是开发，你已经感受到了——不管是Cursor、Copilot还是直接问Claude/ChatGPT，写一个函数很快，但让它理解整个系统的上下文，费的劲比自己写还大。如果你是产品，你可能发现需求拆得再细，到了AI手里还是会变形，因为它不理解业务背后的「为什么」。如果你是测试，你面对的是一个产出速度暴增、但质量不稳定的代码源，验证的压力比以前大了十倍。如果你是业务，你看到的现象是：明明都说AI能写代码了，怎么需求还是那么慢？
这些痛点，不是某一个环节的问题，而是整条生产线需要重新设计。
一万人的实验，一个尴尬的发现
这不是我的推测。快手最近发了一篇1.6万字的AI研发效能报告，里面有一组数据很能说明问题。
他们从2024年6月开始推广自研的AI编码助手Kwaipilot，覆盖了10000+研发人员。AI代码生成率从1%一路提升到30%以上，部分业务线甚至超过40%。单从数字看，效果惊人。
但组织整体的需求交付效率，基本不变。
换句话说，每台织机确实转得更快了，但整个工厂的布料产出没有增加。
这不只是快手一家的感受。你去问问身边用AI写过代码的同事——个人体感确实快了，但项目整体交付周期变短了吗？大概率没有。
快手自己做了归因，结论很诚实：编码只占整个开发周期的一小部分。AI帮你节省的是那些碎片化的编码时间，但联调、测试、需求评估、方案设计这些环节一点没变。你在织布上省了15分钟，但换梭、接线、调张力还是要那么久，总时长几乎不变。
这就是当前AI辅助开发最核心的矛盾：单点提效 ≠ 全局提效。
用纺织厂的话说：给每台织机装了电机，单台织机确实转得更快了，但工厂的布料产出没变——因为瓶颈根本不在「织」这个环节。
问题的本质：被忽略的知识传递
为什么会这样？
我的思考起点来自ThoughtWorks全球技术顾问徐昊的一个洞察：**软件开发的本质不是产生代码，而是知识的获取、传递与应用。**代码只是知识的可执行形式。
这个视角一旦建立，很多困惑就解开了。
当我们说「AI写代码很快」，其实是在说AI把显式知识（API文档、语法规则、设计模式）转化为代码的速度很快。但软件开发中真正困难的部分不在这里。
真正困难的是隐式知识——那些没有写在文档里的东西。比如「这个接口的调用顺序有讲究」「这个字段历史上改过三次含义」「这个模块的负责人上个月离职了，他脑子里的业务逻辑没人完全接得住」。
还有更深一层的不可言说知识（tacit knowledge）——什么时候该拆微服务、什么时候不该？这个需求背后真正的业务诉求是什么？系统在高并发下的行为和设计文档描述的不一样，为什么？
这些知识，现在主要靠人与人之间的社会化活动来传递：结对编程、code review、需求评审、走廊上的闲聊。AI再快，也快不过一个有经验的同事拍着你肩膀说「兄弟，这个坑我踩过」。
软件工程有句老话：没有银弹。 软件的复杂性分两种——偶然复杂性——写样板代码、补全函数、生成测试，这些"不得不做但可以自动化"的苦力活；本质复杂性——系统该怎么拆、业务规则到底是什么、模块之间该怎么解耦，这些"工具再强也绕不过"的硬骨头。AI在消灭前者上确实猛，但后者一点没少。而且因为AI让迭代更快了，系统膨胀得也更快，理解系统的成本在加速上升。
AI加速了代码的生成，但没有解决知识的理解。
我们需要的不是更快的织机
如果只是让AI写代码更快，那就像不断给飞梭加速——梭子飞得再快，布料产出的瓶颈也不在这里。
我们需要的不是一台更好的织机，而是一整座智能纺织厂。
这座工厂需要什么？我试着用纺织厂的语言来描述：
第一，你得看见整个工厂的状况。 哪台织机在空转？哪批布料出了质量问题？哪条产线的效率在下降？——在软件世界里，这叫「感知层」。你得先知道系统长什么样、代码之间怎么耦合、改一个方法会影响多少条调用链，才能做出靠谱的决策。没有这个，后面一切都是盲人摸象。
第二，工艺单不能只是一句"织一匹蓝布"。 什么材质？什么密度？什么花纹？边缘处理方式？——这叫「意图层」。现在的需求文档基本还是自然语言写的PRD，人看着没问题，但机器理解起来全靠猜。把业务意图结构化、让AI真正理解「要什么」而不是「写什么」，这一层几乎没人在做。
第三，要有流水线，不是各干各的。 纺纱、织布、染色、裁剪，不能每个环节都是独立的手工作坊——这叫「编排层」。需求拆解、架构设计、编码实现、测试验证，应该像流水线一样自动衔接，而不是每完成一步就停下来等人拍板。
第四，要有质检。 布料出了次品不能等客户投诉才知道——这叫「验证层」。AI生成的代码是不是真的对？有没有引入新问题？和现有系统兼不兼容？这些需要自动化的、持续的验证，而不是靠人眼逐行review。
第五，工厂需要管理者做决策。 接什么订单？优先生产什么？设备怎么调度？——这叫「决策层」。组织层面的策略、资源分配、优先级判断，这些是人不可替代的价值。
五层加在一起，才是一座完整的智能纺织厂。少了任何一层，你就只是有一台很快的织机，而不是一座高效的工厂。
现实的差距
回到现实来看，当前绝大多数AI开发工具都在做什么？
第三层——编排层的一个子集：代码生成。
Copilot在帮你织布。Cursor在帮你织布。各种AI编码助手都在帮你织布。它们做得越来越好，但本质上都在解决同一个问题：让「织」这个动作更快。
而那些真正制约效率的层——感知层（我不知道系统长什么样）、意图层（AI不理解我到底要什么）、验证层（生成的代码质量谁来保证）——几乎没有人在认真做。
快手意识到了这个问题，所以他们从「给每个人一台AI织机」（智能化1.0）转向了「建一座智能工厂」（智能化2.0），开始做全流程编排、做Flow工作流、定义L1/L2/L3三个自动化等级。从他们公开的数据来看，这个转变确实带来了效果，但他们也坦承：目前只有20%的需求能达到L2及以上，真正全自动（L3）的比例不到10%。
这说明什么？从「快的织机」到「智能的工厂」之间的路，比大多数人想象的要远得多。
所以，这个系列要聊什么
这是一个三篇文章的系列。
这一篇，是引子。我想用纺织业的类比帮大家建立一个认知框架：我们正处在「半自动化」的阶段，单点提效和全局提效之间有巨大的鸿沟，填补这个鸿沟需要的不只是更好的AI模型，而是一整套从感知到决策的基础设施。
下一篇，我会深度拆解快手那篇1.6万字的AI研发效能报告。他们用一万人的实验踩过的坑、找到的路径、以及——他们没有回答的问题。评论区有人提了尖锐的质疑，我会一一回应。
第三篇，我会展示一个一线开发者的实践——我做的一个代码分析工具jcgraph，它试图解决五层模型中「感知层」的问题：让AI在写代码之前，先真正理解你的代码。不是用向量相似度去猜，而是用确定性的代码分析精准定位。
我是一个做了多年Java后端和前端的全栈开发者，正在向AI Agent方向转型。这个系列不是行业分析师的宏观叙事，而是一个正在穿越「半自动化」阶段的一线人员的观察和思考。
我相信一件事：软件工程没有银弹。 AI的发展不能一键解决软件工程问题，它只会让迭代更快，但随之而来的是爆炸增长的新需求和新bug。核心还是人的设计——人对产品的设计和需求要让AI准确理解，这个工作很难自动化。
但这不意味着我们无事可做。恰恰相反，在AI生成能力已经足够强的今天，真正稀缺的是让AI理解得更准确的基础设施。生成可以模糊，理解必须精确。
纺织业从飞梭到全自动化，走了两百年。信息技术的迭代速度远快于机械时代，这个「半自动」阶段可能只有五到十年。窗口期很短，但机会很大——对于愿意思考「工厂怎么建」而不仅仅是「织机怎么用」的人来说。
下一篇见。
关于作者
全栈开发者，Java后端+前端，目前在从事大型存量系统的开发与维护工作。正在向AI Agent方向转型，jcgraph是我的开源代码分析工具项目。关注AI与软件工程的交叉地带——不是「AI怎么写代码」，而是「AI时代的软件开发应该长什么样」。
