AI 如何改变软件工程：Martin Fowler 视角 + 实战洞见

AI（尤其是 LLM）是软件工程自高级语言（从汇编到 C/Fortran）以来最大的转变。它引入了非确定性（Non-deterministic）编程，改变了从编码、理解遗留代码、重构到整体开发流程的方式。Martin Fowler（《Refactoring》作者、Thoughtworks 首席科学家）在 2025 年多次深度讨论这些话题，强调：AI 不会消灭软件工程，而是放大既有实践，并要求工程师更注重架构、测试和重构。

1. 核心转变：从确定性 → 非确定性编程

• 传统软件工程：代码是确定性的，输入相同 → 输出相同。可预测、可精确控制。
• AI 辅助工程：LLM 输出有概率性（hallucination、上下文漂移）。即使相同 prompt，也可能不同结果。
• 影响：工程师角色从“写代码”转向监督、验证、编排（Orchestration）。Fowler 比喻：把 LLM 当作“一个非常高产但不可靠的合作者”，每次输出都像审查一个可疑的 PR。

氛围编程 / Vibe Coding（氛围/感觉编程）：

• 完全不看代码，只通过 prompt 描述“感觉”（vibe），让 AI 生成原型或探索性应用。
• 适用场景：快速原型、一次性工具、内部小工具（低风险）。
• 局限：生产系统危险。Fowler 认为它适合探索，但核心业务必须结合确定性技术。

2. AI 在遗留代码（Legacy Code）中的革命性作用

AI 极大降低了理解和改造老旧系统的门槛：

• 快速总结：AI 可阅读数十万行代码，解释业务逻辑、找出死代码、依赖关系。
• 生成文档与测试：自动生成测试用例、架构图，帮助团队接手遗留系统。
• 辅助重构：建议 Extract Method、引入设计模式，但不能完全自动化（可能引入隐蔽 bug）。

最佳实践（Fowler & 社区共识）：

• 先写/生成测试锁定行为。
• 小步重构 + 人工 Review。
• 用 AI 理解上下文，再用 IDE 确定性重构工具执行。

3. 重构的重要性比以往更强

Fowler 反复强调：AI 生成大量“能用但质量可疑”的代码，重构成为必备技能。

• AI 加速产生代码 → 技术债积累更快。
• 重构仍是保持可维护性、可理解性的核心。
• 结合 AI + IDE（Rename、Extract Method 等）效率更高。
• 未来：AI 可建议大规模重构，但人类负责验证架构一致性。

与设计模式结合：AI 擅长识别代码坏味道并建议应用 Factory、Strategy、Decorator 等模式，但需要工程师确保符合领域模型。

4. 对敏捷开发的影响

AI 强化了敏捷的核心（迭代、反馈、响应变化）：

• 更快迭代：原型更快，Sprint 内可交付更多价值。
• 持续重构：每个迭代预留时间清理 AI 生成的代码。
• TDD 进化：TDD 成为“最强 prompt 工程”——先写测试，再让 AI 实现。
• 演进式架构（Evolutionary Architecture）：用 Fitness Functions + AI 持续验证架构规则。
• 团队实践：Pair Programming 可能演变为 Human-AI 协作，Retrospective 需讨论 AI 使用规范。

零利率时代（ZIRP）结束的影响：

• 2022 年后高利率环境下，VC 资金收紧，AI 成为少数热点（吸引大量投资）。
• 软件团队压力增大：更注重效率、盈利能力和可持续维护，而非盲目扩张。
• 这让重构、干净架构、AI 辅助提效变得更加关键——低质量代码的维护成本在紧缩环境下无法承受。

5. 软件架构与 AI 的新挑战与机遇

• 模块化更重要：良好模块化减少 LLM 上下文负担，提高 AI 修改准确率。
• Clean/Hexagonal/DDD 架构：AI 更容易在边界清晰的系统中工作。
• 新兴模式：Agentic 开发（多代理协作）、监督式工程（Human in the loop）。
• Fowler 建议：保持架构决策记录（ADR），用 AI 辅助审查，但人类保留最终判断。

6. 总体收益、风险与未来

收益：

• 生产力提升（尤其是 boilerplate、遗留理解、测试）。
• 降低入门门槛，资深工程师专注高价值工作（架构、业务对齐）。
• 更快响应需求，符合敏捷精神。

风险：

• 代码质量下降、维护性变差（如果过度依赖 vibe coding）。
• 训练数据污染（大量低质 AI 代码进入未来模型）。
• 过度乐观导致跳过 Review 和测试。

Fowler 的平衡观点：AI 是强大工具，但软件工程的核心原则（可理解性、可持续性、测试）依然不变，甚至更重要。结合确定性工具（IDE 重构、类型系统、自动化测试）才是制胜之道。

---

给你落地建议（结合你之前问的重构、敏捷、架构）：

1. 日常流程：Prompt → AI 生成 → 测试锁定 → IDE 重构 → Review。
2. 遗留系统：先用 AI 生成架构地图和测试，再分模块重构。
3. 团队：制定 AI 使用规范（什么场景用 vibe coding，什么必须人工）。
4. 学习：阅读 Fowler 最新文章（如 martinfowler.com 的 Generative AI 系列）和 Pragmatic Engineer 访谈。

如果你想深入某个部分（如具体重构案例、Clean Architecture + AI 模板、DDD 在 AI 时代的应用、或某个遗留代码片段的 AI 分析），直接贴代码或指定方向，我可以给你针对性方案。

AI 正在重塑软件工程，但人 + 原则依然是核心。保持重构习惯、拥抱敏捷，你就能在变革中领先。