从一次用 GPT 生成数百行可运行 Unity 脚本的经历说起,梳理「AI 取代非体力工作」的几种分歧:先冲击白领还是蓝领、能跑与能交付之间差什么、AI 定制是不是下一个方向。文章给出把 AI 接入开发流程的具体做法与检查清单,并说明哪些结论需要自己验证。
一个不算新鲜的场景:有人让 GPT 写了几百行 Unity 脚本,直接丢进工程就能跑,后续提新需求也只是继续对话让它改。于是问题自然冒出来——如果整个代码库都能喂给模型,初级程序员还有多少价值?再往前推一步:下一个热点会不会是「针对各家公司做 AI 定制」?讨论很快从技术可行性滑向行业预测,分歧比想象中大得多。
把这些问题拆开看,会发现「能不能写出一段能跑的代码」和「这个行业会不会被替代」之间,隔着一整套工程现实。
分歧在哪:先被冲击的是白领还是蓝领
一种判断是白领先受冲击:AI 擅长处理文字、归纳总结、写代码这类「坐在屏幕前」的工作,而体力活受限于机械成本与部署条件。另一种判断正好相反——标准化程度高的体力工作更早被机器接管,而脑力劳动者学习能力强,学会使用工具后能较快找到新位置。
还有一类更冷静的声音值得重视:一个项目需要一堆人做,原因从来不是「一个人写不了那么多代码」,而是项目变大之后没人 hold 得住。把写代码的人换成 AI,并不会自动解决架构、协作和长期维护的问题。同样,非标准化的实现需要反复试错,用一堆模型去试,未必比用一批工程师更便宜、更可控。
能站得住的共识只有一条:AI 提升的是生产效率,效率一旦提升,就必然有部分岗位的工作内容被重新分配。这和「某个职业整体消失」是两件不同的事。至于「生产力大爆炸带来经济腾飞」这类推论,已经超出可验证范围,先放一边更稳妥。
「能跑」与「能交付」之间隔着什么
- 训练数据的边界:模型表现好的地方,多半是公开资料密集的领域。网上找不到答案的问题,它给不出可靠答案,还可能用看似合理的措辞掩盖空白。
- 上下文规模:单个文件、几百行脚本是一回事;跨模块的隐式约定、历史遗留的兼容逻辑、只存在于口头的业务规则是另一回事。
- 责任归属:AI 生成十万行代码之后出了 bug,谁来定位、谁来修?如果靠「再让 AI 打个补丁」,短期能过,长期会叠出更难维护的结构。
- 需求理解偏差:人说的「优化一下」和模型理解的「优化一下」,经常不是同一件事。
所以一个比较稳妥的定位是:AI 是执行力很强的初级实现者,不是能对结果负责的工程师。 它可以承担大量重复性实现,但验收、判断和收尾仍然要有人。
把 AI 接进开发流程的具体做法
提问前先切分任务
不要「帮我写一个完整的背包系统」,而是「实现一个只负责增删查的背包数据结构,不涉及 UI,输入输出如下……」。任务边界越清楚,返工越少。
把约束写进提示,而不是事后修补
接口签名、命名规范、目标框架、错误处理方式,能写就写。例如:
约束:
- 目标:Unity C#,除 MonoBehaviour 外保持纯 C#,便于单测
- 输入:List<Item>,Item 含 id / name / count
- 需求:count <= 0 时移除该项;重复 id 合并;不修改传入集合
- 输出:只给完整文件,不要片段,不要附加解释
小步提交,逐段 review
一次生成 50–200 行,跑通再进入下一段。每条改动都过一眼,重点看:异常分支、空值、索引越界、并发、资源释放——这几处是模型最容易「想当然」的地方。
让测试兜底
先让模型写测试用例再写实现,或者两边交叉验证。没有测试覆盖的 AI 代码,等于把风险推迟到上线之后。
保留可回溯的上下文
记录关键提示词与所用模型,出问题时能复现。团队内最好约定清楚:哪类文件允许 AI 生成,哪类必须手写。
别放弃读代码的能力
AI 用得越顺手,人工定位问题的能力越容易退化。遇到模型反复改不好的 bug,老老实实打断点、看日志、二分缩小范围,比继续追问更快。
关于「AI 二次开发与定制」这个方向
大方向没错,但含义常被误解。企业真正愿意付钱的,通常不是「套一层聊天框」,而是把模型接进既有流程:私有知识检索、结构化输出校验、失败重试、人工审核节点、权限与审计。这类工作里,懂业务的人比懂模型的人更稀缺。
想往这个方向走的开发者,可以先在现有项目里做小范围试点:挑一个重复度高、结果可校验的环节(例如日志归类、接口文档生成、测试用例补全),跑一两个月,看实际省下多少人工,再决定要不要扩大。落地效果高度依赖具体业务,别人的结论不能照搬。
几个容易被忽略的工程细节
- 长任务与会话稳定性:模型辅助的工作常常是「挂着跑」的,本地机器休眠、网络抖动都会打断。需要长时间在线的场景(比如持续运行 Claude Code 这类命令行工具),有人会改用托管在机房、按月租用的独享远程 Mac,让会话和编译环境稳定在线,本地只负责编辑和查看。这属于环境层面的取舍,不是必需项,按自己的任务形态判断。
- 成本不只在调用费用:审核、返工、沟通的时间成本都要算进去。
- 版本与合规:模型能力、可用功能、企业使用条款变化很快,涉及代码保密或数据跨境的场景,请以官方最新文档和所在公司的规定为准。
小结
短期内更现实的图景不是「AI 取代程序员」,而是「会用 AI 的人重新划分工作内容」。被压缩的是纯重复、可穷举的实现工作;被放大的是需求拆解、质量把关和系统设计。与其争论替代与否,不如先把「切分任务—约束输入—小步验证—测试兜底」这套流程跑顺,它带来的收益是立刻能看见的。