很多人担心 AI 会让工程经验贬值。我最近做了一个实际项目后，反而得出相反的结论：AI 让经验的价值变得更精细、更关键。下面用一个具体的例子来说明。

一、场景

需求大致是这样的：

我手头有一批无人机拍的正射影像 TIF，它们存在系统性地理位置偏移。我需要把它们纠正到正确位置，然后按一份外部提供的网格 SHP 文件，裁切成一块块小 TIF 输出。

看起来是很标准的 GIS 流水线：

偏移 TIF → 找一个位置正确的参考底图 → 做配准 → 裁切

理论上，我完全可以对 AI 说：“我有一组 TIF，帮我纠偏然后按 SHP 裁切。” 然后等它给我一整个脚本。

但我没有这么做。

二、为什么不把整条流水线一次性交出去

项目开始时，我心里是这样盘的：

• "按 SHP 裁切"这一步：完全是 routine 自动化，即使不用代码、手工在 QGIS/ArcGIS 里点几下也能做，AI 怎么写都不会翻车。
• "找参考底图"这一步：范围已知、数据源固定、接口调用加拼接，典型的 CRUD 类任务，AI 强项。
• "影像与底图配准"这一步：这是风险最高的环节。

为什么配准是风险点？凭过去的经验：

• 参考底图往往是过时的、模糊的、光照条件不同。直接用特征点（SIFT、ORB）匹配极易误匹配
• 之前尝试过 SuperGlue 这类深度学习匹配方法，效果不稳定，我对它不信任
• 手工处理流程里，所有步骤中唯一需要"人用脑判断"的就是配准这一步。其他步骤都是流程化的

换句话说：我凭经验知道，这条链路里只有一个点是真正不确定的，其他都是确定可以解决的。

所以我做的事情是：只把那个不确定的点交给 AI 去探索，先不谈完整流水线。

三、结果：AI 提供了我没想到的方案

我原本以为的候选方案是特征点匹配和 SuperGlue，已经不抱太大希望。

但 AI 在回答中提到了相位相关（Phase Correlation） —— 一种基于傅里叶变换、在频域求互相关的方法。它有几个我没预料到的特性：

• 对模糊底图比特征点方法鲁棒得多
• 对光照差异几乎不敏感
• 只能处理平移偏移 —— 恰好和我的场景匹配（系统性偏移主要就是平移）
• 实现简单、计算快

这个方案我之前完全没接触过。

**当这一步被验证可行后，我才把完整链路的其他环节交给 AI。**整个项目大约 3 小时从无到有，得到可复用的流水线。

四、如果我一开始就给完整流水线会怎样？

几种可能的路径：

如果我这样做	可能结果
"纠偏 + 裁切"一句话	AI 问我一堆澄清问题，或默认用最常见的特征匹配方案，踩坑后我再修
一开始就铺完整流水线并指定"用特征匹配"	AI 老老实实写 SIFT，效果很差，我花时间调参、最后推翻重做
只交配准环节（实际做法）	AI 对比多种方案，我发现相位相关，验证后再展开

这里的关键差异不在于"AI 能不能做这件事"，而在于 —— 我有没有在架构层面封死探索空间。

五、抽象出来的决策框架

把这个思路抽象一下，得到一个二维决策矩阵。两个维度：

1. 你的确定度 —— 这件事你心里有没有数
2. 任务的风险 —— 做错了是不是可逆、代价大不大

	低风险 / 可逆	高风险 / 不可逆
高确定	直接做，别废话	做之前让 AI 挑刺（让它反驳，不是让它实现）
低确定	快速试错，边做边学	充分探索 + 分阶段验证

值得单独指出的是 “高确定 + 高风险” 象限是最需要警惕的 —— 直觉上你会觉得"我都确定了还怕啥"，但正因为你确定，你不会再检查；一旦这种自信是错的，代价又不可逆。这个组合里，多花 10 分钟让 AI 挑刺是极高 ROI 的投入。

六、经验在这个框架里的作用

这是整篇文章想说的核心 —— 经验的新价值在于它能让你精准地定位自己的确定度。

具体来说：

1. 经验告诉你"哪里是 routine，哪里是难点"

没有经验的开发者面对一条流水线，每一步在他眼里都一样 —— 都需要问 AI 怎么做。他只能把整个问题一次性扔给 AI，让 AI 决定架构。

有经验的开发者看同样一条流水线，能一眼分出：

• 哪些是 routine 自动化，AI 闭着眼也能写对
• 哪些是存在多种方案需要权衡的节点
• 哪些是容易踩坑的关键判断（比如配准方法的选择）

这种辨别力本身就是产出效率的倍增器。

2. 经验帮你识别"错误的确定"

Dunning-Kruger 效应在工程里同样适用。初学者对 AI 生成的代码容易过度信任（看不出问题），资深工程师反而会立刻察觉一些细节（“这里的坐标系转换没处理单位”、“这个文件大小放内存会炸”)。

这次项目里，AI 生成的第一版代码有一个单位不匹配的 CRS bug —— 它在 EPSG:3857（米）里算出偏移量，却直接加到了 EPSG:4326（度）的源坐标上，导致纠正后的影像偏移了 300 多公里。

这个 bug AI 自己发现不了（如果能发现就不会写出来）。我是靠经验和结果验证发现的：看到"像素偏移几米"和"结果位置偏了几百公里"对不上，立刻意识到是坐标系单位问题。

3. 经验让你能"对抗式提问"

经验不仅让你知道怎么写，还让你知道 AI 容易在哪里出错。典型的对抗式问题包括：

• “这段代码做了哪些没被验证的假设？”
• “如果输入 TIF 有 3-4GB，这段逻辑还能跑通吗？”
• “这两个模块之间的数据单位是一致的吗？”

这些问题没有经验的人想不出来，但对有经验的人是本能反应。

4. 经验让你能分层授权

这是最关键的一点。没有经验的人只能整块授权（“全交给 AI” 或 “全自己来”）。有经验的人可以做子任务粒度的授权决策：

问题定义层：我更清楚 → 直接说，别展开
技术选型层：有几个候选 → 列出来让 AI 对比
具体实现层：AI 先验更强 → 描述接口，放手让它写  
风险点：我知道"哪里危险"但不一定知道"怎么破" → 隔离出来让 AI 探索

这次项目里，我正是这样做的：流水线架构我自己定（问题定义），但配准这一步的方案开放给 AI 探索（风险点）。结果既保留了控制权，又获得了意外的方案收益。

七、实战建议

如果你想把这个思路落地到日常工作里，建议这样做：

1. 每次接到需求时，花 2 分钟在心里过一遍流水线，把每一步按"确定度 × 风险"分类
2. 不要一上来就铺完整脚手架。先把最不确定的环节单独抽出来让 AI 探索
3. 对抗式问比"怎么做"问更重要。在写代码之前问 AI：“这样做会在什么情况下失败？”
4. 高确定 + 高风险的步骤，强制自己做一次验证。不是让 AI 检查自己的代码，而是让 AI 从挑错角度反驳你的方案
5. 实时更新确定度。对话开始时的判断只是初值，AI 抛出一个你没想过的点（比如一个你不知道的坐标系陷阱），你应该立刻下调那部分的确定度

八、总结

很多人担心 AI 会让工程经验贬值。但做完这个项目我的感受相反：AI 并没有让经验贬值，而是让经验的使用方式变得更精细了。

过去的经验主要价值是"知道怎么做"；现在经验的价值更多是：

• 知道哪里是风险点（决定哪里该慢）
• 知道哪里是 routine（决定哪里该快）
• 知道 AI 容易在哪里错（决定在哪里多问一步）
• 知道自己的确定度是真的还是错觉（决定在哪里自信、哪里谦虚）

这种能力不会随 AI 进步而贬值，反而会随着 AI 能力的增强而变得更值钱 —— 因为能用好 AI 的前提，是先搞清楚什么时候该用、什么时候该不用。

没有经验就全盘接受 AI 输出，那是最危险的用法。有经验但不放手让 AI 探索，那是最浪费的用法。两者之间的平衡点，就是新时代工程师的核心竞争力。