剛看了OpenAI 發的那篇《How we used Codex to build Sora for Android in 28 days》的凡爾賽文章，整個Sora 的安卓客戶端App大約85%的程式碼是AI寫的。發布首日，用戶24小時內產生了超過100萬條視頻，且品質很穩定，無崩潰率99.9%。 對於這樣的結果肯定有人質疑有人覺得程式設計師要完成。說說我看完的感覺，如果打個比方，就是幾個特種兵配上了最先進的武器，自然所向披靡。所以先不用神化這個結果，然後就算我們不是特種兵，一樣可以從這個結果去學習借鏡到有價值的結果。 《人月神話》作者Fred Brooks 說過一句軟體工程中被反覆驗證的名言：「為一個延期的軟體專案增加人力，只會讓它延期得更厲害」。因為增加更多的工程師往往因為增加了溝通成本、任務分散和整合成本，反而降低效率。 那往團隊中加AI 呢？ 取決於團隊成員駕馭AI 的能力。我們有句古話叫：“韓信帶兵多多益善”，如果團隊成員是韓信，那麼AI Agents 越多越好。 OpenAI 安卓團隊顯然是精銳，只有4 個人，就像一隊特種兵，每個人都配備了各種機器人輔助。 那他們怎麼做的呢？ 1. 架構先行：人先搭好架子，再讓AI來填空。 這個架子怎麼搭？ 團隊先自己定義了App的整體架構：模組化方案、依賴注入、導航結構、認證流程、基礎網路層。然後手寫了幾個有代表性的功能，作為範本。 關鍵一步：他們寫了大量的https://t.co/9M2TJcCBVQ文件，相當於寫給AI的新人手冊。例如裡面會寫：每次提交前必須跑detektFix檢查格式，CI會卡這個。 這樣一來，每次啟動新的Codex session，它都能快速讀到這些規範。就像給新進員工一本內部wiki，減少重複解釋的成本。 團隊總結了一句話：我們不需要告訴Codex怎麼寫程式碼，我們需要告訴它在我們團隊什麼才算正確。這是微妙但重要的區別。 2. 先規劃再寫程式碼 一開始他們也試過偷懶，直接丟一句"這是功能需求，這是相關文件，你去實現"。結果程式碼能跑，但歪得厲害，完全不符合架構預期。 後來他們改了流程。任何複雜功能，第一步不是讓AI寫程式碼，而是讓AI先理解系統。例如讓它讀一組相關文件，總結資料是怎麼從API流到Repository再到ViewModel最後到UI的。然後人來糾正它的理解。 理解對了，再讓AI出一份實現計劃，像個迷你設計文件。哪些文件要改，要引入什麼新狀態，邏輯怎麼流轉。人確認計畫沒問題，AI才開始動手。 這個規劃環節看起來慢了，其實省了大量返工。更重要的是，當你知道AI的計畫是什麼，review它的程式碼就容易多了。你是在檢查執行是否符合計劃，而不是對著一堆diff發呆。 他們還有一個小技巧：對於特別長的任務，讓AI把計畫保存到文件裡。這樣換一個session也能繼續。 當多個Codex 任務同時跑起來，整個開發體驗發生了質變。感覺不像在用工具，更像在管理一個團隊。 一個任務在做播放器優化，另一個在寫搜尋功能，第三個在處理錯誤邏輯，第四個在補測試。它們各自推進，隔一段時間就來報告：我這個模組規劃好了，你看看行不行？或直接甩過來一個大diff。 工程師的工作從寫程式碼變成了做決策和給回饋。瓶頸不再是敲程式碼多快，而是大腦審查驗證程式碼的速度多快。 再次應驗了《人月神話》的話，你不但不能無限增加人力，也不能無限增加Agent。 3. 最好的跨平台框架是AI Agent 還有一個有趣的實踐：跨平台開發的新範式。 Sora已經有iOS版本了。團隊做Android時，直接把iOS程式庫也掛進Codex的環境。然後告訴Codex：參考iOS 的程式碼實現，再看看我們Android的架構，你來產生對應的Kotlin程式碼。 這就是為什麼文章中開玩笑說：忘掉React Native和Flutter吧，未來的跨平台框架就是Codex。 這句話半認真半玩笑。因為應用邏輯是可移植的。資料模型、網路請求、校驗規則，用Swift寫和用Kotlin寫，本質是同一套東西。 AI擅長的正是這種翻譯工作，給它足夠的上下文，它就能在語言之間無損轉換。 所以回過頭來看，為什麼說不能過度神化呢？ 因為雖然只4 個人，但每個人都是「韓信」那樣善於帶團隊的角色，用起Agent 來得心應手。但即使如此，也做不到“多多益善”，畢竟還是需要人去分配任務驗證結果，人是平靜。另外他們已經有了iOS 程式碼，所以很多邏輯可以共用，只需要AI 去「翻譯」。 但還是有很多可以學習的地方。 先設計架構再去讓AI 填空，這樣程式碼更容易維護，也更好的保證品質。 先規劃再寫程式碼，讓AI 充分理解上下文再動手。很多人吐槽Codex 太慢，但我有時候就怕Agent 太快亂來，寧可多等會，讓它多了解上下文，這樣一次成功，否則返工起來時間成本更高。 給AI 好的參考，讓它能照葫蘆畫瓢。一開始的時候先花點時間把最佳實踐沉澱下來，後續讓AI 去參考這些最佳實踐，生成結果就會好很多。如果有其他語言的實現，讓它去「翻譯」也會事半功倍。 能做好這些才能用好AI 輔助開發。 AI輔助開發不是讓開發的標準降低了，反而是提高了標準。 Agent 擅長完成一個小的具體任務，但軟體工程不是一個小的任務，它是由無數動態變化的小任務組成的。需要人去分解去驗證。 所以未來軟體工程師的核心能力，不是寫程式碼快，而是兩件事：對系統的深度理解，以及和AI長期協作的能力。 代碼在變得廉價，但品味在變得昂貴。那些能定義什麼是正確、什麼是優雅、什麼是面向未來的人，會越來越稀缺。 AI把搬磚的活兒接走了，但畫圖紙的活兒還是你的。
