八年前Meta就有萬億參數(shù)模型了——但直到最近，軟件工程師才真正感受到"代碼過剩"的沖擊。Elon Musk預(yù)言AI和機器人將帶來富足時代，對開發(fā)者而言，這個時代已經(jīng)提前到來。2026年的代碼生產(chǎn)成本極低：AI編程工具接管了常規(guī)工作，據(jù)說一名資深工程師借助AI輔助，產(chǎn)出量能抵得上過去一個小團隊。

這種現(xiàn)象可能真實存在且正在流行，但一個基本事實沒變：良好的架構(gòu)原則依然適用。Addy Osmani將此稱為軟件工程的"未來兩年"，Gergely Orosz則在追蹤對一線工程師的實際影響。一句話總結(jié)得很到位：富足是廉價的，信任不是。

當代碼變得廉價，架構(gòu)決策反而升值。成本與質(zhì)量的權(quán)衡、無狀態(tài)與有狀態(tài)的選擇、確定性與概率性的取舍——這些判斷在快速產(chǎn)出代碼的環(huán)境下，重要性被放大了。糟糕的架構(gòu)會在這種速度下更快積累技術(shù)債務(wù)。

作者為了理解這種權(quán)衡在實際項目中如何運作，在免費層級的基礎(chǔ)設(shè)施上搭建了四個覆蓋不同智能體光譜的項目。第一個項目讓他吃了教訓(xùn)：他原以為自己在構(gòu)建AI智能體——它能生成圖片、寫標題、自動發(fā)布，用了AI，所以"應(yīng)該是智能體的"。后來才意識到，這不過是個帶API調(diào)用的定時任務(wù)。這種"以為"與"實際"之間的落差，成了最深刻的記憶點。

作者用五個問題梳理了架構(gòu)選擇的決策樹。第一個問題是關(guān)鍵：你能否在系統(tǒng)運行前，寫下它會執(zhí)行的每一步？

如果設(shè)計階段就能確定所有步驟，且都不需要大語言模型，那你根本不需要AI基礎(chǔ)設(shè)施。腳本化ETL、規(guī)則引擎、常規(guī)自動化——在這些場景硬塞LLM只是純開銷。作者自己的跨平臺發(fā)布流水線就是例子：用正則清理MDX格式，JSON文件追蹤發(fā)布狀態(tài)，GitHub Actions編排執(zhí)行，全程沒有LLM參與。"這是樣板代碼，但它從不產(chǎn)生幻覺。"在代碼過剩的時代，知道什么時候不用AI，和知道什么時候用AI同樣重要。