代码编写成本的结构性塌缩正在重塑整个软件工程学科的基本假设。过去四十年间，工程师们形成了一套根深蒂固的心智模型：代码是昂贵的 —— 产出数百行经过测试、符合规范的代码往往需要工程师投入数小时甚至数天的时间。这一定价假设渗透到了宏观层面的项目规划与资源分配，微观层面的技术决策与代码审查实践，以及组织层面的流程设计与风险管理框架。然而，当智能体（Agent）能够以秒级速度生成功能代码时，这套围绕「代码昂贵」构建的完整工程体系正在经历前所未有的解构与重组。
心智模型的根本转换
理解这一转变的第一步是承认一个核心事实：编写代码的行为本身已经变得极其便宜。以 Simon Willison 为代表的实践者指出，AI 辅助编码工具的出现使得「把代码敲进计算机」这一机械动作的成本几乎降至零。这并不意味着交付优质代码同样便宜 —— 优质代码仍然需要满足可工作、经过验证、解决正确问题、处理边界情况、简洁可维护、有测试覆盖、有适当文档、可应对未来变化等一系列标准。智能体可以协助完成其中大部分工作，但驱动这些工具的工程师仍然需要承担确保产出符合标准的主体责任。
这一转变的深层含义在于软件工程的价值锚点发生了位移。在「代码昂贵」时代，工程师的核心时间投入被锁定在代码实现环节，因此最优化利用这部分稀缺资源成为首要考量。项目规划、架构设计、技术选型固然重要，但其最终目的都是为了让昂贵的代码生产能力用在刀刃上。而当代码变得便宜，思考本身成为了最稀缺的资源 —— 需要思考什么值得构建、思考代码是否真正解决了问题、思考测试覆盖是否充分、思考部署风险是否可控。换言之，代码的供给曲线发生了剧烈下移，而人类判断力的相对价值则显著上升。
测试策略的重构逻辑
传统的测试金字塔模型 —— 单元测试、集成测试、端到端测试 —— 建立在代码编写成本较高的假设之上。工程师需要在测试投入与代码价值之间寻找经济平衡点：对于核心业务逻辑投入充分的测试资源以确保正确性，对于辅助性代码则可能采用较少的测试覆盖。然而当代码生成边际成本趋近于零时，这一经济考量需要被重新审视。
在智能体工作流中，更为有效的策略是将测试视为一种规范表达而非质量验证手段。测试用例不再是「确保代码不出错」的成本项，而是「告诉智能体什么是正确的」的规范定义。这意味着工程师需要更早地投入精力定义清晰的验收标准，更精确地描述边界条件与错误处理预期。一种值得借鉴的做法是在启动智能体之前先用自然语言撰写详细的测试规范文档，明确输入输出行为、异常场景、性能约束等关键维度，让智能体在生成代码的同时生成符合这些规范的测试用例。
另一个关键变化是测试执行频率的提升。由于代码生成速度极快，每次代码变更后立即运行完整测试套件成为可能。传统的「提交前运行测试」模式可以演进为「每次智能体迭代后运行测试」的持续验证模式，这要求测试套件本身具备快速执行与清晰反馈的能力。对于大型代码库，可能需要引入测试分级机制 —— 将测试分为「必须在每次迭代后运行的基础验证集」与「可以在后台异步运行的全面回归集」—— 以平衡反馈及时性与测试全面性。
代码审查的范式转变
代码审查在传统软件工程中承担着多重职能：发现缺陷、传播知识、确保代码风格一致、验证设计决策合理性。当代码可以由智能体批量生成时，代码审查的角色定位需要发生根本性调整。最显著的变化是审查的重点从「代码实现细节」向「代码决策逻辑」迁移。
具体而言，审查者不再需要逐行检查智能体生成的代码是否遵循语法规范、是否使用了最佳实践 —— 这些工作可以部分由静态分析工具与智能体自身完成。审查者的核心价值转向判断智能体生成方案是否真正解决了问题、是否引入了不必要的复杂性、是否与系统整体架构兼容、是否考虑了安全与性能因素。这要求审查者具备更强的系统级思考能力与领域建模能力，而非仅仅熟悉编程语言的语法细节。
一个实用的做法是将代码审查与部署风险评估分离。前者关注代码本身的正确性与可维护性，后者关注将代码部署到生产环境后的潜在影响。这种分离允许不同专业背景的工程师或智能体承担相应职责 —— 代码审查可以由具备业务领域知识的工程师完成，部署风险评估则可以由具备基础设施与运维知识的团队负责。GitLab 等平台已经开始支持将代码审查与部署审批作为独立的审批流程，正是这一趋势的实践体现。
部署流程的适应性调整
部署环节的变革同样深刻。传统软件工程中的部署流程通常包含多级审批、环境验证、回滚方案等安全机制，这些机制的设计初衷是应对代码变更可能带来的生产风险。当智能体能够快速生成并修改代码时，部署流程面临着两难困境：过度审批会抵消快速迭代带来的效率优势，而过于宽松则可能引入大量不可控风险。
解决这一困境的关键在于引入细粒度的风险分级机制。并非所有代码变更都具有相同的风险等级 —— 一个修复拼写错误的文档更新与一个涉及核心业务逻辑的数据处理模块变更需要不同级别的审批流程与验证要求。一种可行的做法是为每次变更生成「风险评分」，综合考量变更范围、影响的系统组件、历史缺陷率、部署环境等因素，基于评分自动触发相应的审批与验证流程。
与此同时，部署 observability（可观测性）的重要性进一步凸显。在快速迭代模式下，需要能够及时发现生产环境中的异常行为并快速定位问题根因。这要求在代码生成阶段就考虑埋点需求，确保智能体生成的代码包含适当的日志、指标与追踪信息。建立从代码变更到生产表现的完整链路追踪能力，使得每一次智能体生成的代码都能够被清晰地关联到其运行效果，这是实现可靠快速迭代的基础设施保障。
工程文化的渐进演进
上述技术层面的转变最终需要在组织文化层面得到呼应。「代码便宜」时代的软件工程实践仍在探索之中，各团队需要根据自身情况逐步调整。几个核心原则值得关注：其一，拥抱「先试后想」的实验文化 —— 当某个功能「不值得花时间实现」的传统判断不再成立时，可以更积极地让智能体快速生成原型，再基于实际效果决定是否投入更多精力优化；其二，强化人类判断力的投资 —— 培训工程师的系统思维、领域建模能力与风险识别能力，这些是智能体难以替代的核心竞争力；其三，建立快速反馈循环 —— 通过更频繁的测试、更及时的审查、更细粒度的监控，使得每一次代码变更都能产生学习信号，持续改进团队的工作方式。
代码便宜之后的软件工程，并非意味着工程师变得无关紧要，而是意味着工程师的角色发生了本质性升维：从代码的生产者转变为代码的决策者与质量的守护者。这一转变要求我们重新审视长期以来形成的工程习惯，建立与新时代相适应的工作方式与组织文化。唯有如此，才能充分释放智能体工作流的效率潜力，同时守住的软件系统可靠性的底线。
参考资料
- Simon Willison, "Writing code is cheap now - Agentic Engineering Patterns", https://simonwillison.net/guides/agentic-engineering-patterns/code-is-cheap/
- "Four-Phase Workflow - Master Agentic Coding", https://agenticoding.ai/docs/methodology/lesson-3-high-level-methodology