Edit: 深度剖析antirez对AI编程新范式的思考：从“亲手编程”到“创造愿景”的范式

编辑文章

标题 *

URL 别名 *

内容 * (支持 Markdown 格式)

# 深度剖析antirez对AI编程新范式的思考：从“亲手编程”到“创造愿景”的范式转移

## 摘要与核心论点

antirez（Salvatore Sanfilippo），Redis 的创造者，以其对代码极简主义、人味与底层技术的执着而闻名。他在 2020 年辞职专注于创作，并于 2024 年底重返技术前沿，开始深入研究 AI 编程。他近期提出的观点——“手写代码已不再必要”——引发了业界的广泛关注和讨论。

本文将对antirez的核心观点进行全面且深入的结构化分析。**核心论点在于：以当前顶尖大型语言模型（LLMs）为代表的生成式AI技术，已经达到了一个临界点，它将编程范式从“手动实现底层细节”彻底转向了“清晰定义问题与架构设计”。** 尽管antirez对传统手工编码抱有深厚的情感和追求，但其基于实践的结论是，对于大多数任务，AI驱动的开发模式效率更高，且更具创造潜力。

本文将围绕这一核心论点，从技术实现、范式转移、社会影响与个人应对策略四个维度进行深入剖析。

---

## 一、 技术实现的范式转移：从“实现”到“指令”

antirez的论断并非基于理论推测，而是基于他近期使用 Claude Code 等模型完成复杂任务的实际体验。他观察到的技术转变是革命性的，它颠覆了软件开发的核心执行环节。

### 1.1 编程任务的自动化临界点

antirez指出，当前的顶尖 LLMs 已经能够独立完成“大型子任务”甚至“中等规模项目”，尤其是那些**“越独立、越能用文字描述”**的编程任务。他引用的四个具体案例，如为 `linenoise` 库添加 UTF-8 支持、修复 Redis 测试中的偶发性时序 Bug、快速构建 C 语言的 BERT 推理库，以及根据设计文档重构 Redis Streams 内部实现，都强有力地证明了这一点。

**背景知识与案例分析：**

*   **系统编程的AI适应性：** 传统观点认为，系统编程（如C语言、底层内存管理）由于其复杂性和对精确性的要求，最难被AI取代。antirez的经验表明，当问题模型清晰时，LLMs 能够理解复杂的上下文（如 C 语言的内存模型、TCP 协议的交互逻辑），并生成可工作的代码。这得益于现代模型在代码生成和逻辑推理上的深度优化。
*   **“人味”的编码与LLM的“可验证性”：** antirez曾追求“人味”代码，强调代码的优雅与可读性。AI生成代码在初期可能缺乏这种“人味”。然而，antirez发现，当AI能快速完成**重复性、高精度的细节实现**时（如修复一个恼人的时序 Bug），工程师的时间得以解放，可以专注于更高层次的抽象和验证。这使得**代码的“可验证性”和“正确性”比“手工编写的精美度”变得更为重要。**

### 1.2 效率的指数级提升与成本降低

antirez通过对比，量化了这一转变带来的效率提升。过去需要数周的工作，现在仅需数小时。这种效率提升并非线性的，而是指数级的，因为它消除了大量“调试”和“胶水代码”的编写时间。

**深入分析：**

这种效率的爆炸性增长，来源于LLMs在**“上下文学习”和“跨领域知识整合”**方面的能力。LLMs在训练过程中吸收了海量的开源代码、技术文档和设计模式。当工程师提供清晰的Prompt（设计文档或需求描述）时，模型能够迅速调动这些知识，生成一个接近生产就绪（Production-Ready）的初稿。这极大地降低了“从零开始”的认知负荷和时间成本，使软件开发更接近于“指挥”而不是“体力劳动”。

---

## 二、 编程范式的深层转移：从“如何做”到“做什么”与“怎么想”

antirez的论断不仅仅是关于效率的提升，更是关于**核心价值的转移**。他明确指出，**“现在更重要的是：想清楚做什么、怎么做——而这两件事，AI也能帮你。”**

### 2.1 核心价值的重定位：定义与架构设计

如果底层实现可以被AI高效完成，那么人类程序员的核心价值就必须上移到更高的抽象层级。

**“做什么”——定义问题（Problem Definition）：**
这要求开发者具备对业务、系统目标和用户需求的深刻理解。AI可以高效实现一个需求，但它无法自主产生富有洞察力的需求。谁能清晰、无歧义地表达“要做什么”，谁就掌握了新的生产力杠杆。

**“怎么做”——高层架构与模型构建（Architecture & Modeling）：**
antirez强调，AI可以帮助实现细节，但**“构建清晰的问题模型”**和**“传达给AI”**本身就是一种高阶的思维活动。这包括：
1.  **抽象思维：** 将复杂的现实世界问题，拆解为AI可以理解的、模块化、参数化的子任务。
2.  **元认知能力：** 知道何时应该使用AI、如何评估AI的输出、何时需要介入修改核心逻辑，以及如何构建“反馈循环”（如antirez提到的“检查和授权命令执行”）。

### 2.2 创造的乐趣未变：目标驱动的满足感

antirez深刻地捕捉到了程序员的内在驱动力：“让你当年熬夜到深夜的，不是写代码本身，是‘做出东西’。”

**心理学分析：** 这种乐趣源于**创造性满足感（Creative Fulfillment）和目标达成感（Goal Achievement）**。AI并没有消除这种乐趣，而是改变了实现乐趣的路径。

*   **旧路径：** 手动解决复杂的技术难题，通过长时间的调试和优化，最终实现目标。过程艰辛，成就感建立在对细节的完全掌控上。
*   **新路径：** 通过高效的“提问-验证-迭代”流程，将精力集中在创新性的架构设计和新功能的构思上。成就感建立在**快速实现宏大愿景**的能力上。

antirez的观点意味着，现代编程的乐趣从**“工程实现的艺术”**转向了**“系统设计的艺术”**。

---

## 三、 技术民主化、开源精神与中心化风险

antirez作为开源社区的重要人物，对技术伦理和社区影响有着深刻的关切。他认为AI的进步与开源精神是内在统一的，但也对其中心化风险表示担忧。

### 3.1 AI与开源的共振：知识的民主化

antirez认为，AI（特别是基于开源代码训练的模型）正在实现他毕生追求的目标之一：**让代码、系统、知识民主化**。

**历史类比：** 他将这场变革比作 90 年代开源软件的兴起。开源使得小型团队能够利用社区积累的成果，挑战大型公司的技术壁垒。同样，AI现在为小团队和个人提供了前所未有的实现能力，让他们能够“用更少的资源做出更复杂的事情”。一个优秀的AI辅助程序员，理论上可以匹敌一个中型工程团队的产出，从而重塑市场竞争格局。

### 3.2 对中心化的深刻忧虑

尽管antirez对AI的潜力持乐观态度，但他对技术控制权的集中深感不安。

**观点剖析：**

1.  **闭源模型的领先地位：** 他承认目前闭源模型（如GPT-4系列）在性能上仍领先于开源模型。
2.  **基础设施垄断的风险：** 如果只有少数科技巨头掌握了最强大的模型和训练资源，那么下一波技术浪潮的成果将受制于这些公司的商业决策和API访问策略。
3.  **“秘密魔法”的必要性：** antirez相信大规模神经网络本身具有内在的潜力，没有“不可逾越的秘密魔法”，这为开源社区和独立研究者追赶提供了希望。然而，他坚持认为，这种追赶需要持续的努力和对核心技术的深入理解，不能仅仅依赖于闭源API。

**现实意义：** 这种担忧促使他——以及许多开源倡导者——更加积极地投入到开源AI生态系统的建设中，确保下一代基础设施不会被少数实体完全控制。

---

## 四、 社会经济影响与程序员的生存策略

antirez的思考并未止步于技术层面，他深入探讨了这场变革对就业市场和人类社会结构可能带来的冲击，并提出了务实的应对建议。

### 4.1 就业市场的冲击与不确定性

antirez对那些可能被“裁掉的人”表达了真诚的担忧。他提出了一个关键的未来情景岔路口：

*   **情景 A (扩增效应)：** 公司选择利用AI提高效率，并招募更多的人来承担更复杂的项目，实现“指数级增长”。
*   **情景 B (替代效应)：** 公司选择裁员，仅保留少数“更会写提示词的程序员”来维护或指导AI系统，实现“效率最大化”。

**结构化分析：**

这种担忧反映了技术进步在**生产力曲线**与**就业曲线**之间产生的“脱钩”现象。AI极大地提高了生产力，但如果收益完全归于资本方，而劳动者被替代，将引发社会结构性失业。antirez害怕的正是这种**“人类价值的系统性贬值”**，尤其是在编程之外的其他领域。

### 4.2 社会与政治层面的呼吁

antirez没有提供一个完美的社会解决方案，但他提出了一个基于现实政治压力的预期：

*   **政治压力驱动保障：** 他认为，社会保障（如全民基本收入 UBI，他早年小说的主题）的实现，将与失业人数成正比。失业人数越多，政治压力越大，选民越倾向于支持提供保障的政府。这是一种基于社会动荡预期的“自适应”政治演化论。

### 4.3 对程序员的务实建议：拥抱与深度参与

这是antirez给当前程序员群体最直接、最关键的建议，其核心是**拒绝认知失调（Cognitive Dissonance）**，并进行**严谨的实践验证**。

**建议一：拒绝反AI的“炒作”心态（Anti-AI Hype）**
antirez告诫读者，固守“正确的事”或基于个人情感（如对亲手编码的执念）来拒绝现实是徒劳的。技术浪潮不可逆转，逃避只会导致被淘汰。

**建议二：严肃、长时间的测试**
“别敷衍地试五分钟然后下结论。” 这是一个对技术评估成熟度的要求。五分钟的尝试可能只会暴露AI的表面缺陷，而无法揭示其深度能力。antirez要求开发者投入**数周时间**，将AI深度嵌入到真实工作流中，以验证其真正的潜力。这种“深度测试”是区别于“表面尝试”的关键。

**建议三：生产力倍增器的应用**
程序员必须将AI视为生产力倍增器，主动寻找应用点，例如在antirez的案例中：改进数据结构（Vector Sets）、优化现有项目（Redis Streams）。

**建议四：回归创造的本源**
他鼓励程序员将焦点重新放回**创造**这一核心驱动力上。如果AI能处理繁琐的实现工作，那么程序员就应该将精力投入到更具创造性、需要深刻洞察力的设计决策上。这保证了程序员不仅能保住工作，还能在新的范式下获得更高级别的创造满足感。

---

## 五、 总结与前瞻性展望

antirez的观点代表了一种**成熟的技术接纳态度**：承认技术变革的颠覆性，同时坚守人类创造的本质价值。

### 5.1 范式转变的定性

这次变革的核心在于**“实现层面的自动化”**与**“意图表达层面的复杂化”**之间的重新平衡。

### 5.2 对未来编程的启示

antirez的分析为专业人士指明了方向：

1.  **专业化与抽象化：** 未来的资深程序员需要成为**“领域专家”**和**“AI指挥家”**的结合体。他们不仅要精通某个领域（如数据库、网络协议），更要精通如何将复杂的领域知识，转化为AI可以高效执行的精确指令。
2.  **开源的持续重要性：** 确保AI工具链不被中心化，需要持续投入到开源基础设施的建设中，这不仅是伦理要求，也是保持技术竞争力的必要手段。
3.  **持续学习与心态重塑：** 最大的挑战并非技术本身，而是心理上的适应。必须打破对“手工编码”的迷恋，接受效率和规模的巨大飞跃。

antirez的回归与思考，为我们提供了一个罕见的视角：一个曾坚守传统精益求精理念的行业泰斗，在亲身体验了新工具的颠覆性力量后，做出的最理性和最深刻的判断。他清晰地划出了技术的新边界，并邀请所有程序员——无论是 Redis 的贡献者还是普通开发者——认真审视，并积极参与到这场编程新纪元的构建中去。

维护 Redis 长达 11 年，直到 2020 年辞职去写科幻小说。2024 年底他重返 Redis，同时开了个 YouTube 频道专门聊 AI 编程。

他不是那种追热点的人。相反，他一直对"极简、人味、手写代码"有近乎偏执的追求。所以当这样一个人说出"手写代码已经没必要了"，值得认真听一下。

这篇文章是他最近的思考，几个核心观点：

写代码这件事，大部分情况下不需要人了。他用 Claude Code 几小时完成了以前要几周的工作

但创造的乐趣没变。让你当年熬夜到深夜的，不是写代码本身，是"做出东西"。这件事 AI 替代不了

现在更重要的是：想清楚做什么、怎么做——而这两件事，AI 也能帮你

别敷衍地试五分钟然后下结论，认真用几周再说

正文

原文：Don’t fall into the anti-AI hype by antirez

我喜欢一行一行地写代码。可以说，我的整个职业生涯都在追求一件事：写出精良、极简、带有人味的软件。我也希望社会不要遗忘底层的人。说实话，我并不在乎 AI 公司能不能赚到钱，甚至如果现有的经济体制被颠覆、财富能大规模重新分配，我会很高兴。但如果我因为这些立场就看不清现实，那我对不起自己的脑子——事实就是事实：AI 将永远改变编程。

2020 年我辞职去写小说，主题就是 AI、全民基本收入、一个努力适应自动化的社会所面临的挑战。2024 年底我开了个 YouTube 频道，专门讲 AI 在编程中的应用，以及它可能带来的社会经济影响。虽然我很早就预见到了这一切，但我原本以为至少还有几年缓冲期。现在我不这么认为了。最近的顶尖大模型，只要给出足够清晰的目标描述，已经能独立完成大型子任务，甚至中等规模的项目，几乎不需要人手把手。

当然，成功率取决于你在做什么类型的编程（越独立、越能用文字描述的越好——系统编程尤其适合），也取决于你能否在脑中构建清晰的问题模型并传达给 AI。但总体来说，对于大多数项目，亲手写代码已经不再明智了——除非你纯粹是为了好玩。

过去一周，我只靠写提示词、偶尔检查代码给点方向，用几个小时完成了以下四件事——以前这些至少要几周：

给我的 linenoise 库加上 UTF-8 支持，并创建了一个行编辑测试框架，用模拟终端来检测每个字符单元格显示的内容。这件事我一直想做，但很难为一个业余项目投入那么多精力。但如果你只需要描述想法，代码就能自动生成，那就完全不一样了。

修复 Redis 测试中的偶发失败。这种活儿最烦人：时序问题、TCP 死锁之类的。Claude Code 自己反复迭代去复现问题，检查进程状态搞清楚发生了什么，然后修复了 bug。

昨天我想要一个纯 C 的库，能跑 BERT 类嵌入模型的推理。Claude Code 5 分钟搞定。输出结果和 PyTorch 一致，速度只慢 15%。700 行代码，外加一个 Python 工具来转换 GTE-small 模型。

最近几周我在改 Redis Streams 的内部实现。我有一份设计文档。我把文档交给 Claude Code，它大概 20 分钟就复现了我的工作（主要是我检查和授权命令执行比较慢）。

现实摆在眼前，不可能视而不见。写代码这件事，大部分情况下已经不需要人来做了。现在更有意思的是：想清楚做什么、怎么做——而后者，大模型也是很好的合作伙伴。

至于 AI 公司能不能收回投资、股市会不会崩盘，长远来看都无所谓。那些独角兽 CEO 说的话让你反感也好、荒唐也罢，都不重要。编程，已经永远改变了。

我写的那些被大模型吃进去训练的代码？我觉得挺好。因为这和我一辈子努力做的事是一脉相承的：让代码、系统、知识民主化。大模型会帮我们写出更好的软件，更快，让小团队有机会和大公司竞争。和 90 年代开源软件带来的变革一样。

但这项技术太重要了，不能只掌握在几家公司手里。

目前，你可以在预训练上做得更好，可以用更高效的方式做强化学习，但开源模型——尤其是中国产的那些——还在持续追赶闭源的前沿模型（虽然有差距）。

AI 的民主化程度目前还算可以，尽管不完美。

但未来是否一直如此，完全不确定。

我对中心化感到担忧。

不过我相信，大规模神经网络本身就能做到不可思议的事情，而且目前的前沿 AI 并没有什么”秘密魔法”，所以其他实验室和团队有机会追上来——不然很难解释为什么 OpenAI、Anthropic、Google 这几年的成果一直那么接近。

作为程序员，我现在比以往任何时候都更想写开源代码。我想完善一些因为时间原因搁置的项目。我想把 AI 应用到我的 Redis 工作流里，改进 Vector Sets 的实现，然后像现在做 Streams 一样去优化其他数据结构。

但我也为那些会被裁掉的人担心。未来的走向还不清楚：公司会选择招更多人、做更多事？还是会砍人，留下少数更会写提示词的程序员？而且，还有其他领域，人类可能会被完全取代，这让我害怕。

那社会层面的解决方案是什么？创新无法倒退。我认为我们应该投票给那些认清现实、愿意支持失业者的政府。被裁的人越多，政治压力就越大，大家就越会投给那些能提供保障的人。但我也期待 AI 能带来好的一面：推动科学进步，减少人类的苦难——毕竟人生并不总是幸福的。

好了，回到编程。朋友，我只有一个建议给你：不管你觉得”正确的事”是什么，拒绝承认正在发生的一切并不能改变任何事。跳过 AI 不会帮到你，也不会帮到你的职业生涯。好好想想。认真测试这些新工具——花几周时间，而不是五分钟的敷衍测试来验证你已有的偏见。找到一种方法让自己产出倍增，如果这次不行，过几个月再试。

是的，也许你觉得自己花了那么大力气学写代码，现在机器却替你做了。但你当年熬夜到深夜、只为看到项目跑起来的那股劲儿，是什么？是创造。而现在，如果你能找到有效使用 AI 的方法，你可以创造得更多、更好。那种乐趣，还在，从未消失

配图 (可多选)

选择新图片文件或拖拽到此处

标签