2025 年 3 月 11 日，Anders Hejlsberg 发表了一篇题为 A 10x Faster TypeScript 的公告：微软要把 TypeScript 编译器移植到 Go。

对大多数读者来说，这只是一条关于性能的新闻。对我来说，这条新闻却把我五年前写的三篇旧文串到了一起。2021 年，我在短短几个月里先后写过三篇彼此不相干的文章：一篇问 大红大紫的 Golang 真的是后端开发中的万能药吗，一篇论证 为什么 TypeScript 是开发大型前端项目的必备语言，还有一篇夸 C# 的开发体验——那篇文章里我顺带提过一句当时看来只算趣闻的事实：TypeScript 和 C# 出自同一人之手。五年后，三篇文章的主角在同一个仓库里会师：我称为"必备"的那门语言的编译器，用我当年审视过的那门语言重写，主导者正是 TS 与 C# 共同的创造者。我知道这几篇文章之间有联系，但没想到它们会以这种方式交汇。

这场会师的价值不止于怀旧，它暴露了这场争论底下悄悄发生的变化。2021 年，咱们争的是哪种语言对"人"更友好：谁的语法更干净，谁的学习曲线更平缓，谁的类型系统更不烦人。这场争论至今没有结束，但裁判换了。从那之后，AI 编程智能体（coding agent）成了生产代码最高频的作者之一，也是代码的第一读者。agent 不在乎 Go 的错误处理有多啰嗦，也不嫌 TypeScript 的类型标注有多累赘。它只关心两件事：一是 多快拿到反馈，二是 反馈能不能被信任。

这个观察就是本文的核心论点，我刻意用最保守的说法来陈述它：当 agent 加入你代码库的作者行列，技术选型会多出两个必须优先考虑的判据——agent 的反馈周期（一次"修改代码 → 获得可信反馈"要多久）和 验证信号密度（每一轮循环中，有多少对错能由机器直接裁决，不需要人）。这两个判据不会取代以人为本的旧判据，但会给它们重新排序。而在新的排序之下，2021 年那场语言之争的判决，有的被坐实，有的被推翻。

为了把话说周全，接下来我会先做一轮站内考古，看看 2021 年我们究竟在争什么；然后给两个新判据下精确定义；再检视 2025 到 2026 年的三组证据；随后让最强的反方论证单独占一节；最后给出一个小小的选型框架——你完全可以不同意它，但至少能清楚分歧出在哪里。

亚马逊云科技中国峰会，2026 年 6 月 23–24 日，上海。

2026 年 6 月，我在亚马逊云科技（AWS）上海峰会上做了一场分享，大概是全场"最不性感"的一场。一上来我先澄清了一句：我们的 Nova，不是 Amazon 那个 Nova。我幻灯片上的 Nova，是我在 HP 带队做的一个内部平台；全场其他人挂在嘴边的 Nova，才是亚马逊的前沿大模型。台下笑了。一个撞名的小玩笑，却也恰好划出了这篇文章要讲的那条线——接下来的时间里，我讲的是任何主论坛都懒得碰的东西：我们怎么把一套报表系统，从 Power BI 搬到了 Amazon Athena 加 Apache Iceberg 上。那是个三十分钟、300 级的进阶专题，排在六楼，离楼下的人群远远的。

会场楼层导览：专题演讲（包括我那场）在六楼，主论坛在五楼，展厅在楼下。

而一楼的展厅，卖的全是"性感"的另一面。宇树（Unitree）的人形机器人（humanoid robot）在灯光下伸手抓取；一只标价 ¥9,999 的灵巧手（dexterous hand），冲着镜头比了个耶；一块屏幕上，一群编程智能体（coding agent）全程没人插手，自己把软件交付了，另一块屏幕上，AI 把一段足球比赛录像拆成了战术和球员指标。聚光灯下，智能正学着感知、学着创造、学着在物理世界里行动。

楼下一楼的展厅：人潮都在这儿。

这个反差，就是这篇文章的论点。过去两百年，产出是跟着人头走的——想多干，就得多招人。AI 正在掐断这条线：产出开始靠基础设施（模型、算力、数据）撑着，而不再死死绑在人力上。这就是智力的工业化。和第一次工业革命一样，最后赢的不会是手握最炫机器的人，而是给这些机器铺好地基的人。我那场"无聊"的迁移就是个缩影：让报表变好用的，不是换了个更聪明的模型，而是把脚下的地基换了——刷新从 4–6 小时压到 1 小时；而原本只能盯着看的报表，如今成了谁都能用大白话直接发问的数据。

所以这篇文章，会从地基往上写。先看展厅里被围观的三道前沿——会感知、会创造、会行动的机器；再看撑着这三样的那一层，也就是我专程跑去上海讲的那件事：决定它们到底能长多高的数据底座（data foundation）。

一个八人的工程师团队，把 AI 编程智能体（AI Coding Agents）接进了自己的开发流水线。智能体从队列顶端取走 JIRA 工单，提交合并请求的速度超过人工评审的速度。半年下来，仪表盘上的数字相当好看：测试覆盖率 84%，每个改动接口的 p99 延迟稳定在 100 毫秒以内，自从智能体上线后合并吞吐量翻了三倍。周五的复盘会越开越短，因为实在没什么可复盘的。

直到有一天，竞争对手发布了一个新功能。算不上多巧妙的功能。竞争对手的用户已经在公开论坛上催了半年，团队自家用户在自家论坛上催了几乎一样长的时间。流水线里，没有一个人——也没有一个智能体——注意到这件事。竞争对手上线的消息周二午后落进 Slack 群，会议室一下子安静下来，因为所有人都在问同一个问题：我们这套系统里，到底哪一块本来应该接住这件事？

诚实的回答是：没有这一块。不是有人忘了构建它，而是团队的架构语言里，根本没有一个词指向它。

2026 年的每一场 AI 发布会都是同样三张幻灯片开场：更大的模型、更快的芯片、更聪明的 Agent。真正缺失的是第四张——这些东西到底怎么送到用户面前。而这张缺失的幻灯片，恰好就是接下来十年价值最集中的地方。它不会靠又一轮模型微调产生，而会靠我们这个技术栈里最不性感的那一层：基础设施（Infrastructure，俗称 Infra）。

数据也支持这个判断。麻省理工学院（MIT）2025 年《State of AI in Business》报告显示，95% 的生成式 AI 试点无法进入生产。Gartner 的调研表明，只有 15% 的 IT 应用负责人在试点完全自主的 Agent，而整个 Agent 市场预计从 2025 年的 78 亿美元扩张到 2030 年的 526 亿美元。瓶颈不在智能。前沿模型 在 SWE-bench Verified 上已经聚集在 70–75% 区间。真正的瓶颈是从"一个能写代码的模型"到"一个能交付产品的组织"之间的所有环节——而这些环节，说到底都是 Infra。

把"暴论"说得直白一点：编程变得廉价，Infra 却在变得稀缺。AI 叙事习惯把 DevOps、CI/CD、容器、Kubernetes、云架构这些东西当作"已经解决的水管问题"，但它们即将成为把 AI 能力变成可交付产品的头号杠杆。理由很朴素：Agent 现在能写代码，但它自己跑不起一次构建，也扛不下一次部署，更没法独自决定一次回滚、开通一个区域。它需要一个底座替它做这些事——而这个底座，正是过去二十年 DevOps 攒下来的、经过无数次故障检验的、几乎零成本的遗产。

六大协议。六个自动化级别。十七款工具。十二项预测。一张交互式全景图将它们串联起来。

AI Agent 交互全景图是我构建的一个开源双语单页应用，旨在厘清 2026 年 AI Agent 如何与开发者、编辑器、工具以及彼此之间进行交互。本文将梳理其中引入的关键框架——以及构建过程中涌现的洞察。

SWE-bench 评分在短短 14 个月内提升了 50%——从 2024 年 10 月 Claude 3.5 Sonnet 的 49% 跃升至 2026 年 1 月 Claude 4.5 Opus 的 74.4%——你可能会认为 AI 智能体（AI Agents）已经征服了软件工程领域。然而，大规模部署这些智能体的企业却讲述着不同的故事。Triple Whale 的 CEO 描述了他们的生产环境实践："GPT-5.2 为我们解锁了一次彻底的架构转型。我们将一个脆弱的多智能体系统简化为单个配备 20 多种工具的超级智能体……这个超级智能体更快、更智能， 维护难度降低了 100 倍 。"

今年年初，我被 Claude Sonnet 3.7 的 AI 编程能力深深震撼。那时 "Vibe Coding" 这个词还没流行起来，但我做的正是这件事——让 AI 生成代码，我只负责引导对话。感觉像魔法一样神奇。直到问题开始浮现。

几周后，我注意到一些规律：代码冗余越来越多，实现方向偏离了最初的设想，AI 在不同会话之间丢失上下文导致返工不断增加。蜜月期结束了。我需要一套结构化的方法，但又不想引入那些拖慢开发速度的重型流程。

引言：AI辅助开发的工业革命​

Y Combinator 2025届创业公司中，25%的团队已在交付95%由AI生成的代码库。成功者与陷入技术债务泥潭者的区别在哪？规范（Specifications）。所谓"氛围编码"（vibe coding）——即临时性的、基于提示词的AI开发方式——或许能产出令人印象深刻的演示，却在生产规模上分崩离析。上下文丢失、架构漂移、可维护性噩梦，困扰着那些将AI助手当作增强版搜索引擎的团队。

2025年标志着转折点的到来。曾经的实验性工具已成熟为生产就绪的框架，背后既有开源动力，也有企业重金投入。GitHub的Spec Kit已成为开源SDD采用的事实标准。亚马逊推出Kiro，一个将SDD融入核心的IDE。由Snyk创始人创立的Tessl以5亿美元估值融资1.25亿美元，力推"规范即源码"开发模式。业界信号明确：系统化的规范驱动开发（Specification-Driven Development，SDD）不再可有可无——它正成为AI增强工程的基本要求。

如果你是一位正在评估如何在不牺牲代码质量的前提下利用AI开发的技术负责人，这份综合指南将为你绘制整个SDD生态图景。你将理解6大工具和框架构成的生态系统，学习来自真实生产部署的行业最佳实践，获得基于团队具体情况选择和实施正确方案的可操作框架。

第一次，AI 系统对我的架构决策提出了不同意见，结果证明它是对的——那一刻，我意识到某些根本性的东西变了。变的不是 AI 本身，而是"领导力"这个词的含义。这不是关于技术升级的故事，而是关于领导者角色如何进化的故事。那些曾让我成功领导团队的技能并没有失效，但在 AI 参与的环境中，它们需要重新调整。

也许你作为技术领导者，也感受到了这种张力。研究表明，AI 确实能提升生产力，但效果因人而异——它绝非包治百病的灵丹妙药。你懂得那些经典的领导技能：技术深度、业务洞察、人际沟通、组织政治，它们依然重要。但 AI 带来了全新的维度，要求这些技能延展和适应。你的角色不再只是领导团队成员或使用工具，而是要协调一个混合生态——人的判断、管理智慧与 AI 能力，三者需要和谐共生。

引言：从理论走向实践​

在本系列的第一部分中，我们打下了计算限制的概念基础：基本限制与工程限制的区别、四层计算层次结构、形式化复杂性测量，以及智力-可计算性悖论。我们探讨了为何一些看似简单的问题（如停机问题）在数学上无解，而看似需要复杂智力的问题（如机器翻译）却是可判定的。

第二部分，我们从抽象理论走向实际应用。 本文探讨这些基本限制如何体现在日常工程决策中，考察历史如何揭示：理解约束反而能释放创新，并将计算限制与关于逻辑、数学和意识的深刻哲学问题联系起来。最后，我们会提供一个实用框架，帮你立即分类问题并做出更好的工程决策。