【AI 惊艳初体验】2026 年春节在 Apache APISIX 上遇到棘手 bug试很多方法无法复现读代码也未定位。最后将现象描述给 AI Agent它不到 10 分钟靠静态代码分析和现象描述准确指出问题令人惊艳。【AI 编码能力验证】尝试让 AI 做生产级项目虽不能半天完整复刻但只要讲清架构、技术栈和核心概念关系单论写代码AI 半天能完成过去三个月的代码量可见 AI 已达到甚至超过资深工程师的编码能力。【AI 应用瓶颈与人的价值】使用 AI 写软件烧掉几百亿 token 后发现瓶颈不在 AI而在人。AI 能看到 What、完成 How但 Why 还得人自己来。资深工程师值钱的是踩过的坑、做过的技术权衡和判断以及熬出的经验这些未写进公开知识库AI 看不到背后的 Why。【公司“禁止手写代码”争议】在公司做了尽量不手写代码、把“打字”交给 AI Agent 的决定反弹最大的是有“领地意识”、把自己定位清晰的工程师。以前做前端页面需掌握多种技能现在没写过前端的人说出评判标准也能做出不错的页面。过去交付用户需求需多角色配合现在相关同事用 AI Agent 半小时内就能完成闭环。觉得该决定“疯了”“不负责任”的人往往是框得太死或未深度用 AI 的人。建议不同意的人用最好的大模型去尝试了解其边界。而最资深的工程师认为 vibe coding 做出来的是玩具。【玩具还是生产级关键在人】判断代码是玩具还是能上生产关键在于指挥 AI 的人对架构、代码、测试有无清晰理解对推上生产有无敬畏之心。哪怕 AI 决策正确率高剩下的错误也会让项目质量下降人必须参与决策。以新项目 AISIX 为例重度使用 Claude Code 编码但核心概念设计、架构选择等不交给 AIAI 是辅助要让它做测试、写文档。【AI 代码审查与迭代】AI coding 提 PR 和代码量多人看不过来需靠流程。做法是用 Claude Code 写再让独立的 AI Agent 审计同时用 CodeRabbit 和 GitHub Copilot 做第二层。让项目稳定的是大量用户使用并暴露问题然后迭代改进。AI 能将迭代速度拉到极致用户提 bug 后AI 能快速定位和修复人则优化自动化流程最终拍板由人决定。【用 AI 写软件的三个阶段】第一阶段堆框架用各种 harness 搭软件工程能找到盲点像指挥团队。第二阶段扔掉框架大模型足够聪明只需告诉它任务它就能做好此时要把自己的经验沉淀成小文件让它加载。第三阶段从“上瘾式编码”转向“高质量决策”使用 AI 后决策增多人精力跟不上。现在并行五六个研发任务重要决策和架构选择由人做机器辅助一天约做四五十个高质量决策要把决策集中在上午到下午三四点其余时间养精力避免陷入低质量迭代。烧 token 关键在于经验沉淀和高质量决策不同人使用同样模型和提示词结果差异大有经验的工程师能提升 AI 决策正确率。【重写 AI 网关的缘由】两年前 AI 流量出现最初想在 Apache APISIX 用插件代理但发现 AI 流量和 API 流量核心概念不同API 网关核心概念是路由等AI 流量核心概念是 LLM Provider 等。添加 AI 场景能力硬套 API 网关不自然于是按 AI 网关原生概念做了新的开源 AI 网关 AISIX它能统一处理大模型流量。AISIX 用 Rust 从零编写因为 AI 流量长连接、吃并发Rust 更合适。这个痛点最初来自其他大公司他们按 token 计费成本高安全也是问题。【公司应有的态度】AI 能力溢出人跟不上。公司应警惕“省着用 token”的心态要大力推行 AI、改造组织、推进产品不能让 AI 的成本和安全成为阻碍。