AI Coding 时代真正重要的是软件工程判断力

核心结论（一句话）

Coding Agent 让实现更便宜，却不会替工程师决定系统该如何取舍、如何失败以及什么证据足以发布；个人要识别隐藏选择，团队要把判断前移并固化为可追溯产物。

工程判断力：看见系统选择，理解其代价，并用可验证证据确认决定成立。
隐藏取舍：需求未写明的延迟、一致性、成本、安全和恢复策略，会被 Agent 以默认值补齐。
幂等重试：外部请求可能已成功但响应丢失，重试必须配合幂等控制，否则会把超时变成重复副作用。
AI-Native SDLC：代码生成提速后，Plan、Review/Test、Deploy 的判断和队列成为新的流程约束。
Committed artifact chain：用 intent.md、spec.md、plan.md 及测试和事故记录串起需求、实施、验收与追溯。
Intent-Spec-Plan：intent 说明问题和边界，spec 固化约束，plan 说明改动顺序、风险和证明方式。
人类门禁：高风险取舍、审批和最终责任仍由人承担，Agent 的自报完成不能作为唯一证据。
Source of truth：每类研发产物应有唯一权威记录，Jira、ServiceNow 等系统保存副本或原始链接。

[[02-ai-coding/Anthropic发布AI-Native软件开发流程-时代变了-该换套模式了]]：把本文的“判断前移”落实为版本化产物、验证和发布门禁。

[[02-ai-coding/AndrejKarpathy-AI写代码-只需要问自己这一个问题]]：从任务分界和思考发生点补充“人做判断、Agent 做执行”。
[[02-ai-coding/AI-Coding的顿悟时刻]]：从实际使用体验补充 AI Coding 的工作方式变化。

文章串联 Andrew Ng 近期关于 AI 工程技能、AI 应用构建和软件工程基础的三篇文章，强调写代码只是能力的一部分。
作者将软件工程基础压缩为五个问题：全栈协作、数据管理、系统架构、安全可靠性、生产扩展与运维；共同核心是识别 trade-offs。
登录、外部 API、缓存和支付重试等任务都带有隐含决定；Agent 会按训练模式、框架默认值和既有代码补齐空白。
支付重试示例说明，代码通过正常测试不代表业务副作用安全；一致性、幂等和失败路径必须被明确验证。
Agent 把 Build 阶段压缩后，评审、安全、测试和发布仍按人的速度运行，单纯增加代码产量会制造队列。
Anthropic Playbook 用 intent → spec → plan → Test/Deploy/Maintain 形成可追溯交接链，允许在代码产生前检查错误方案。
企业采购 Coding Agent 只是起点；长期结果取决于上下文、权限、审批、验证和事故追溯是否被写成团队规则。

Andrew Ng 的岗位分析“超过 1 万个岗位、数十次访谈”、三篇文章日期及 Anthropic 的流程描述均来自本文转述，未在本页独立复核原始样本或企业效果。
“代码变便宜、决策不变简单”是本文作者的综合判断；更具体的机制是：未声明约束进入 Agent 上下文后，会被默认模式补全，随后只有测试、审批和生产反馈能暴露错误取舍。
支付重试是解释幂等风险的示例，不是事故统计；是否采用缓存、旧数据回退或自动重试，仍应按业务不变量、风险和成本决定。