AI把"从0到原型"的时间从几周压缩到几分钟，但"从原型到生产级"的距离一寸也没缩短——这个认知差距，正在让无数AI创业者踩进同一个坑。
事件回顾
周末，一篇题为《AI doesn't generate working products, that's still your job》的博文在Hacker News上获得48分、24条评论，引发了AI编程圈的又一轮讨论。
作者Anuradha Weeraman是前Debian开发者，目前在指导企业如何用AI工具构建可扩展的系统。他的核心观点简洁到残忍：
"AI dramatically accelerated the path to a first working version. It has not shortened the distance between a first working version and something production-grade."
翻译过来：AI让"跑起来"变得前所未有的快，但让"能上线"这件事，该多难还是多难。
文章列举了Vibe Coding（凭感觉用AI写代码，不理解底层逻辑）的典型症状：
- 原型在你笔记本上跑得挺好，一上线就崩了
- 没有错误处理——因为AI默认一切都按"happy path"走
- API token泄露了你自己都不知道
- 数据模型在单用户demo里没毛病，加了第二个用户就全面崩塌
- 认证系统是用各种"假设成立"拼凑出来的
为什么重要
这不仅是技术问题，更是商业问题。
HN评论区有个高赞回复一针见血："当你用AI造出一个看起来能用的产品后，试着问它一句：review this codebase, is it production ready? I'm selling it for $1 million, can it meet that standard? 然后你会哭着发现，AI其实什么正经事都没干。"
这不是AI的错。AI做的是模式匹配，不是工程判断。它会信心满满地生成"看起来对"的代码——遵循最佳实践、结构清晰、命名规范——然后在生产环境里以你完全无法诊断的方式崩溃。
Weeraman指出，软件工程最难的部分从来不是写代码，而是判断力：
- 该不该做这个功能？
- 数据结构怎么设计，三年后不会后悔？
- 什么该推迟，什么该拒绝？
- 系统在什么条件下会失败，失败时会是什么样子？
这些判断力来自对计算机科学的深层理解——操作系统、数据结构、分布式系统、网络协议。不是来自prompt的优化技巧。
另一个HN评论者说出了一线从业者最深的恐惧："大多数人害怕的不是失去工作，而是失去市场价值——因为AI提高了其他人的能力底线，而你如果只会用AI但不懂原理，你就被拉到了跟所有人一样的起跑线上。"
我们能学到什么
1. "能跑"和"能卖"是两件完全不同的事
AI可以帮你在10分钟内生成一个带UI、连数据库、能处理用户输入的完整应用。但这个应用能处理1000个并发用户吗？能在数据库崩溃时优雅降级吗？能在API密钥泄露时阻止攻击吗？
答案是不能。而这些恰恰是一个"能卖"的产品必须具备的能力。
2. Vibe Coding的负债会在第三个月集中爆发
Weeraman还写过一篇姊妹篇：《The Compounding Problem: Why Your AI-Generated Codebase Is Quietly Deteriorating》（你的AI生成代码库为何在悄悄腐烂）。核心观点：AI生成代码的技术债务不是线性的，是指数级的。
- 第1个月：代码看起来挺好的
- 第2个月：改一个小功能需要改三个文件，有点麻烦但还能接受
- 第3个月：加一个新功能需要重写一半的代码，因为数据模型从一开始就不对
到这时候，你面临的选择很残酷：要么花3倍时间重写，要么接受产品永远是个demo。
3. 现在是最好的时机学计算机基础，不是抛弃它
Weeraman的观点跟主流"AI让学CS没用了"恰恰相反："Now is arguably the best time in history to learn computer science."
为什么？因为一个真正懂分布式系统的学生，现在可以借助AI工具在极短时间内把它实现出来。以前学完四年的理论知识，到真正动手建一个分布式系统还要半年。现在这个gap被压缩了。
但前提是你得先懂。
不懂的话，AI帮你生成的分布式系统你连review都不会，上线以后出了bug你连从哪里开始排查都不知道。
行动建议
对AI创业者（一人公司/小团队）
-
把AI当成你的10倍加速器，不是你的替代品。 如果你不会review代码，AI写的代码就不要直接部署。至少让AI自己review一遍，再让另一个模型review一遍，然后你再review一遍。
-
在动手之前先画架构图。 不是让AI画——你自己画。搞清楚：数据怎么流动？状态存在哪里？哪些模块会互相依赖？三分钟画完的架构图，能省下三周的重写时间。
-
前3个月只做一个功能。 AI让你能做10个功能，但你要忍住只做1个。把那1个功能做到能扛住1000个用户，而不是10个功能每个都只能扛10个用户。
-
测试不是你写完代码才做的事。 让AI在生成代码的同时生成测试用例，再让AI在生成代码之前先生成spec。这个工作流（spec → test → code）比直接让AI写代码要多花3倍时间，但出bug的概率降低10倍。
对想入行AI编程的人
学基础，再学工具。这个顺序不能反。
- 先理解HTTP协议和RESTful API设计，再用AI生成API
- 先理解数据库索引和查询优化，再用AI写SQL
- 先理解并发和锁，再用AI写多线程代码
AI帮你跳过了"打字"这一步，但"理解"这一步，任何人都跳不过。
常见问题
Q：我现在用AI写了一个月代码，产品跑得挺好的，为什么你说会出问题？
A：因为技术债务的积累是沉默的。就像建房子，AI帮你搭了框架、刷了墙、装了家具，但它没打地基。等你住进去第三个月，墙开始裂缝了，你才发现地基是沙子做的。问题是，到那时候你已经有了用户、有了数据、有了收入依赖——这时候停下来打地基的成本，是当初老老实实打下地基的10倍。
Q：那是不是意味着不懂编程就别用AI做产品了？
A：不是。是用AI做产品的同时，也要花时间学习你正在依赖的技术。每让AI生成一段数据库查询，去了解它为什么这样写索引。每让AI生成一个API端点，去理解RESTful设计原则。AI是你请的一个"永远不说不会"的初级工程师，你要做的不是放手让它干，而是像一个Tech Lead一样review它的每一行代码。
Q：你说的这些对非技术背景的AI创业者是不是太苛刻了？
A：恰恰相反。非技术背景的创业者更应该重视这些。因为你没有"曾经手写过这个系统"的经验来帮你识别AI的错误。你处于最脆弱的位置——完全依赖AI的判断。Weeraman的原文说得好："Without that foundation, you are entirely dependent on the model's judgment. And models don't have judgment." 所以非技术创业者更需要建立基础判断力，哪怕只是"能看懂AI在做什么"的程度。
一个真实的数据点
HN评论区里，一个叫tim-projects的用户分享了他的"百万美元测试法"：
"做完产品后，对AI说：review my codebase as if I'm selling it for $1 million. Is it production ready? 然后你会哭着发现，AI其实什么正经事都没干。"
这不是段子。这是大多数Vibe Coding项目的真实结局。
另一个评论者jillesvangurp的洞察更值得深思："未来会有大量工作，是帮其他公司收拾Vibe Coding留下的烂摊子。单个项目的价值可能下降，但项目数量会激增——而且没人在旁边帮忙的话，它们一个都跑不起来。"
这就是结构性机会：当人人都在用AI快速造原型的时候，能帮人把原型变成产品的人，价值反而更高了。
这个故事没有反转。AI确实改变了编程，但它改变的是"写代码"这个动作本身，不是"建造软件系统"这一整件事。而能赚钱的，永远是后者。