AI 把”写代码”的成本压到接近零之后，程序员的瓶颈转移到了别处：能不能把问题讲清楚、能不能审出 AI 的错、能不能做对取舍、能不能验证结果。这些老能力在 AI 时代不是贬值了，而是被杠杆放大了。

问题分解与表达能力

AI 的输出质量几乎与输入质量成正比。一句模糊的”帮我优化下系统”只能换来泛泛的回应；把问题拆成”瓶颈在订单列表查询、数据量百万级、现状是全表扫描、目标是 P95 降到 200ms 以内”，AI 才能给出靠谱方案。分解能力还体现在任务切分上：把大需求拆成 AI 一次能稳妥完成的小任务，每个任务有清晰的输入、边界和验收标准，而不是一句”完成用户模块”让它自由发挥。

表达能力也不是写作技巧问题，而是工程能力。你写得有多精确，AI 猜测的空间就有多小，返工就有多少。能把模糊需求翻译成边界清晰、可验收的任务描述，本身就是系统设计的前半段。

代码评审能力

AI 产出的代码必须有人把关，这是流程里不能省的一环。AI 写的代码，”看起来对”和”真的对”之间隔着一条鸿沟：它可能用了过期的 API、漏掉并发边界、在事务里调外部接口，甚至拿 MD5 存密码——仅仅因为没人告诉它不行。

评审 AI 代码比评审同事的更难。同事的错误有规律可循，AI 的错误是随机分布的，而且产出总量大得多。看得懂架构意图、闻得出坏味道、知道哪里容易埋雷，这些判断力直接决定了 AI 是你的生产力，还是技术债务制造机。评审能力弱的人用 AI，相当于给缺陷开通了高速通道。

系统设计与权衡

AI 擅长局部实现，但”该不该做””选哪个方案”仍然是人的活。单体还是微服务、同步还是异步、一致性让渡到什么程度，这些决策没有标准答案，只有结合业务规模、团队能力和演进方向的权衡。AI 可以帮你罗列方案的利弊，但它不了解你团队的真实约束，也不会为两年后的维护成本负责。

设计能力还体现在给 AI 划边界：哪些模块允许它改、哪些抽象必须保持稳定、技术债记在哪里、新依赖要不要引入。这些是系统层面的判断，托付给 AI，就等于让风格随机的生成结果塑造你的架构。

调试与验证能力

AI 说”已修复”的时候，真正值钱的反应是”证据呢”。能否快速构造最小复现、读得懂报错日志、设计验证手段（测试、压测、对比实验），决定了你能否把 AI 从”自信地胡说”拉回地面。AI 时代调试反而更频繁：代码生成快，缺陷注入也快，验证环节成了整个交付链路的吞吐瓶颈。

会写探测性测试、会用二分法定位回归、知道什么时候该放弃当前会话重开一局，这些看似传统的功夫，恰恰是把 AI 的速度转化为真实交付速度的关键。没有验证能力兜底，”一天写完一周的活”只是把人肉排雷推迟到了上线之后。

为什么这些能力更重要了

有一种流行误解：AI 会写代码了，基本功就不重要了。事实恰好相反。AI 是杠杆，杠杆放大的是你已有的判断力：问题讲不清，AI 就高效地做错事；审不出错，缺陷就批量进生产；设计没主见，架构就被随机塑造；不会验证，交付的就是未经确认的代码。

过去编码速度是瓶颈时，判断力的缺口还能靠慢工细活补一补；现在编码不再是瓶颈，判断力本身直接就是瓶颈。”基本功决定下限”的法则没有变，只是基本功的内涵，从手写代码的速度，换成了分解、评审、设计与验证的深度。

小结

  • 问题分解与表达决定 AI 的输入质量，是减少返工的第一道闸。
  • 代码评审能力守住 AI 的输出质量，AI 产出必须有人把关。
  • 系统设计与权衡是 AI 无法代劳的决策层工作。
  • 调试与验证能力把 AI 的”自信”约束成”可信”。
  • AI 放大的是判断力而非替代判断力，这些能力因此更重要，而非更不重要。