打开今日头条查看图片详情
【CSDN 编者按】这是一位拥有 30 年编程经验的老开发者的“自我清算”。本文作者 Paul Payn，目前是微软 CTO 领导下的首席研究工程师，从 Commodore 64 到大型语言模型，从敲代码到与 AI 共创，他亲眼见证了整个软件行业从“手写逻辑”走向“机器自动生成”的惊人跨越。当他意识到自己赖以为生的技能，正被工具以指数级速度超越时，那种震撼与失落，相信每一位程序员都能感同身受。
原文链接：https:///posts/historical-artifact/
作者 | Paul Payne 翻译 | 郑丽媛
出品 | CSDN（ID ：CSDNnews）
好吧，我得承认——我整整 30 年的编程生涯，如今已经成为了一件“历史文物”。
AI 时代的浪潮，比我想象得更快。也许在不久的将来，人类回望当下时会觉得：当年居然真的是“人”在给机器写代码，简直滑稽。
打开今日头条查看图片详情
打开今日头条查看图片详情
我曾坚信，编程离不开人类
我从 8 岁那年开始学编程，那时的我正抱着一台 Commodore 64，翻着厚厚的用户手册，对着杂志上的示例代码一行行地抄。此后 40 年，我从未停止过学习：编程并不是一门“学会了就完事”的技能，而是一场永不休止的自我进化。每一代开发者，都要学会在浪潮里自我重塑。我们招程序员时，最看重的几项品质，包括适应性、独立学习能力和批判性思维，正是这种生存能力的体现。
从本质上说，编程需要一种“机械同理心”（mechanical sympathy）。你必须理解机器的底层逻辑：存储、内存、处理器、接口……在此之上，再去学习语言语法和工具链：什么样的字符组合，才能让系统真正执行。再往上，是抽象的世界：先应对大型程序，再到程序集群，最后是计算机网络系统。
程序员的核心工作之一就是 “管理复杂性”，所以学习和掌握相关方法至关重要。经验丰富的开发者会熟练运用各种抽象工具：数据结构与算法、配置与状态管理、封装思想、函数式与面向对象组合、实体与数据区分、事件与快照模式、循环与递归选择……这类知识无穷无尽。更别提每周都有新工具、新产品发布，都在不断重构你的技术栈。
然后就是权衡了，和所有工程领域一样，编程的本质也是做取舍。你要在处理性能与内存间取舍、在开发时间与功能完整度间取舍、在可靠性与成本之间取舍。经过一次次的权衡，最后才能诞生出“合格”的程序。
但程序不是孤立存在的，它们是为了解决人的问题——要变成真实的产品和服务。因此，程序员不仅要会写代码，还要懂用户、懂需求、懂商业，确保系统可行、能跑、能卖。并且，由于程序员写的程序要和用户交互，我们还必须时刻关注心理学、社会学，以及这些领域与技术的交叉点。
几十年后，我意识到，编程教给我最大的，并不是语法或算法，而是如何思考问题。如果你要拆解一个复杂问题、让不同模块协同、或者预判一个系统随时间的演化——这类工作，过去必须有程序员在场。这也是过去半个世纪里，编程能渗透到几乎所有科学领域的原因： 程序员，是加速一切问题求解的“设计师、建筑师和工匠”，他们在所有领域都能解决问题。
打开今日头条查看图片详情
那么……编程真的离不开人类吗？
三年前，我面试了几个高级工程师候选人。而面试中常会遇到一种情况：有些人，不管什么原因，就是没掌握编程工作必需的基础技能。如果他们的批判性思维或问题解决能力很强，我们可能会根据岗位需求适当放宽要求，但这种“基础不达标”的情况实在令人费解。
连续面试几个候选人失败后，我瘫在办公椅上抱怨：“这么基础的问题，他们怎么连个解决方案都写不出来？”
我同事觉得好笑，问我：“什么问题？”我跟他描述了一遍，他说 “好”，然后我才发现，他不是在帮我分析面试问题——而是在把问题输入给 OpenAI 的 GPT-3 Davinci playground（当时我们刚拿到早期访问权限）。
敲了几下键盘提交后，屏幕上立刻弹出了一段完美的 Python 代码。我一看，答案不仅正确，效率还很高。我很惊讶，让他换个编程语言再试，结果成功了；我又让他换个编程范式，还是成功了。更夸张的是，AI 甚至没等我们继续要求，就自动输出了其他多种语言的解决方案。
从那天起，我们微软内部的一支小团队就开始深入研究这种由LLM（大语言模型）驱动的系统。
一开始，我和行业里大多数人想法一样：这项技术顶多就是提高效率的工具，绝不可能替代程序员。要让 AI 解决“非玩具级”的复杂问题，还需要很长时间——毕竟程序员日常用到的技能，对一个“文本补全的模型”来说太难了。
但后来，我们一个个地解决AI 的短板：
● 记忆窗口太短？我们发明了外部上下文管理技巧。
● 只能输出文本？我们让它调用工具、运行命令。
● 动作链太短？我们教它如何规划长序列任务。
● 不会拆解复杂问题？我们让它学会任务分解与执行反馈。
● 输出不可控？我们建立了可度量、可验证的机制。
● 缺乏自省？我们给它加上“自我反思”模块，让它能根据结果自我调整策略。
在这个过程中，模型能力不断提升，生态也在扩大……一步一步地，AI 从我们程序员手里接走了越来越多工作。
今年春天，Anthropic 发布了 Claude Code，它的两个特性让我们的系统效率飙升：
（1）能直接通过命令行和电脑交互，而不是像 ChatGPT 那样困在网页或 API 里；
（2）优雅地整合了三种经典模式：任务分解、任务委派、工具调用（比如网页请求、文件搜索），让 AI 能可靠地协调一系列任务。
自那之后，我们全年都在用像 Claude Code 这类的工具，不断提升 AI 系统的能力：能处理更大的任务、可靠性更高、持续运行时间更长。
但即便如此，我当时仍没觉得“编程会变成历史文物”。
打开今日头条查看图片详情
原来，编程已经不需要人类了
上周，我们团队把之前积累的各种技术和实验，整合到了 Claude Code 上（把它当快速实验平台用），很快就集成了很多来之不易的成果。我们已经在 GitHub 上发布了早期原型Amplifier（https://github.com/microsoft/amplifier），未来一两周还会发布新版本。
当然，这个工具本身不会取代我，但它也让我确信了一件事：距离AI 取代程序员的时间，只剩“几个月”，而不是“几年”——因为，它已经搞定编程里“最难的部分”了。
用 Amplifier 时，你只需要描述自己想要什么，它就能按你的编程理念，从设计、后端、前端到测试，完整地把产品做出来。更离谱的是，它还会自我改进，也就是你用得越多，它越聪明：会积累可复用的工具；会记录有用的技术方法；会从你的使用中学习，主动建议如何优化自己。
这是一种“指数级效率提升”——你做出来的东西，会帮你更快地做出新东西。
过去一周，我用 Amplifier 做了两件事：
（1）分析了两个不同的代码库，从其中一个里提取我正在开发的功能模块，然后让它提出三种方案，把这个模块整合到另一个代码库里；接着它并行实现了这三种方案，最后还给出了 “哪些可行、哪些不可行” 的总结。
（2）把我写的一套（大型）Bash 脚本，转换成了三个东西：Web 服务 API、Golang 命令行工具、完整的 Web 应用前端。
当然，写提示词需要时间，也需要程序员的知识，但每个任务只需要给 Amplifier 三条提示。每次它都会运行 30 到 120 分钟，最后返回能直接用的软件——还包括文档。
同一时间，我们团队的其他人也用它做了许多事：开发了 Amplifier 的新版本、搭建了一套完整的评估框架、做了两个不同的图形化实验桌面。最让我惊讶的是一个设计师：他没什么编程经验，却靠 Amplifier 实现了一个“从设计风格到完整框架”的新流程 —— 融合了 Figma、Storybook 等工具的思路和工作流，做出了一个全新的 “AI 辅助设计应用”。我估计，这个工具能让他的效率提升 10 倍。
除此之外，我们还让 Amplifier 对接了一个“管理大型关联任务列表”的项目，它直接把这个项目整合进了自己的系统。我同事让它通宵运行，它自主完成了几十个任务，还准备了一份“早间报告”——里面包含了多个组件的实现方案，让我同事判断下一步该做什么。
这并不是最终产品，我们还有很多工作要做，比如：硬件和软件厂商需要发布 AI 可用的产品背景信息，我们还得迭代和发布新的系统集成标准。
但说真的，这是我第一次感觉到：“最难的部分，已经被攻克了。”——从现在开始，AI可以直接按照人的需求做事，不需要程序员在中间搭桥了。
打开今日头条查看图片详情
所以，编程的未来是怎样的？
像我刚才提到的，“把 Bash 脚本转成 Web 应用”的项目，其实全程都在一台树莓派（Raspberry Pi）微型电脑上运行。我只是在上面装了 Amplifier，挂载了旧代码库，然后告诉它要做什么——全程没碰过一行代码。而它做出的成果，比我花几周时间亲自做的还要好。
你可以想象一下未来：我们无需再下载、安装软件，只需告诉AI“我想要什么”，它就会帮你做出来。想改功能？加新特性？做个全新应用？没问题，直接跟它说就行。
而我过去几十年积累的那些编程技能，包括算法、抽象、架构设计，现在只要给 Amplifier 写对提示词，它就都能做到。现在只差最后一步：把这些“专业知识”全部封装好交给 AI。届时，哪怕没有编程经验的人，也能让 AI 按自己的需求，随时搭建软件。
打开今日头条查看图片详情
当“编程”不再需要人类，我们该怎么办？
我得承认，至少这对我个人而言是一场“生存危机”。
外界对我的身份认知中，很大一部分是 “程序员”。过去，我一直觉得编程就像“魔法”：只要写对“咒语”（代码），就能召唤机器完成奇迹——这也是我的“职业超能力”。可现在，每个人都能用“魔法”了，我的“超能力”突然变成了“日常技能”，那我还能在行业里立足吗？
同时，我的职业技能也产生了一种快变成“遗产”的感觉。我们都希望自己做的事能超越生命周期，但现在很明显：我职业生涯的遗产，会变成一种“奇观”—— 就像铁匠、抄写员、宫廷小丑那样。
但这次技术带来的“淘汰”，可能比以往更特殊。过去，被技术取代的人，还能把自己的领域知识和问题解决能力，迁移到新领域里升级：铁匠去建钢铁厂，抄写员变成印刷工，小丑变成喜剧演员。他们仍在解决问题，只是换了工具。
可这一次，当“解决问题”本身都能被自动化，我们还能去哪？
我的同事 Brian Krabach 半年前也有过类似的思考，但我当时没信。我以为 AI 最多取代部分编程工作，未来很长一段时间里，我们还是需要程序员来引导 AI。但 Amplifier 每天都在证明：我的时间判断错了。
Brian Krabach比较乐观，他说“取代程序员” 反而让他能做自己一直喜欢的事——更快地解决更大的问题。但我没他那么乐观。对我来说，“识别问题、提出方案”从来都不是难事。而我在多个创新实验室的经历告诉我：这些能力，同样是 “可自动化的流程”。
有人或许会辩解：“机器不知道人类在面临什么问题啊！”是的，但也许我们很快会让机器写出“知道该解决什么问题”的软件。
想到这里，我其实感到一丝慰藉——也许，真正的大问题终于有望被解决：能源、医疗、教育、社会治理……只是从此以后，我的贡献，不再来自我那双敲键盘的手；那些我靠几十年磨砺得来的技能，也将不再属于某个专业群体，它们会属于每一个能调用算力的人。