先说说我自己吧，我是个干了三年的后端开发，平时主要写写业务逻辑，做做系统集成。最近公司里各种AI工具的讨论越来越热，老板也时不时转发一些文章，标题都是什么“一个Agent搞定全栈开发”、“自动化测试革命”之类的，搞得我们组里人心有点惶惶的。
我自己其实也偷偷试过一些。比如让某个AI工具帮我生成一段数据处理脚本，或者写个简单的单元测试。说实话，有些重复性高的模板代码，它确实能省点事，速度快得吓人。但一旦涉及到我们那个老破旧、文档不全、还有一堆历史债的核心业务模块，它就彻底歇菜了，生成的代码逻辑根本不对，甚至会把完全无关的库给引进来，debug的时间比我自己手写还长。
这就让我特别困惑。我看宣传里老说，agent 能实现自动化测试，甚至可以分析数据给出优化建议。可我现在遇到的情况是，它连我们系统的业务上下文都理解不了，所谓的“分析”和“自动化”到底是怎么个实现法？是真的能理解需求，然后像人一样去设计测试用例、去跑数据、出报告吗？还是说，本质上就是个更高级点的“录制回放”工具，或者一个套了壳的统计脚本？
更让我心里打鼓的，还是那个终极问题：照这个进化速度，agent 能替代程序员吗？我知道现在肯定替代不了架构设计、复杂问题拆解这些高阶工作，但那些基础的CRUD、接口调试、甚至是一些简单的agent 怎么设置触发器去执行定时任务……这些是不是慢慢都会被接管？到时候我们是不是就得去干更“高级”的活了？可哪有那么多高级活给所有人干啊。
还有一个很实际的点，这些工具动不动就要登录，有的还要连到云端，用公司的数据去调教它，心里总有点不踏实。权限怎么控？数据出去了还能不能回来？这都是问题。
所以我来坛子里，就是想听听真正在一线用这些AI Agent干活的朋友们的实话。你们真的把它们用在生产环境里了吗？是当成一个智能点的代码补全工具，还是真的敢让它独立负责某个环节？它给你带来的，究竟是效率提升的兴奋，还是未来饭碗要被砸的焦虑？或者两者都有？
我总觉得，技术这玩意，光看宣传稿是没用的，得听趟过水的人怎么说。
终于有人说大实话了！每次看到那些吹嘘“全栈AI开发”的文章就头疼，他们到底写没写过真实业务啊？我们那屎山代码，AI能看懂才怪。
strmz
3
作为干了快十年的老开发，我也来聊聊我的看法吧。先说结论：现阶段完全替代是做梦，但作为“超级副驾驶”已经足够香了。我主要用它干三件事：1）写重复的样板代码，比如DTO、简单的CRUD接口，这个效率提升是实打实的；2）解释我不熟悉的代码块或者第三方库的文档，比我自己查快；3）给我一些重构的思路提示，比如“这块逻辑耦合度高，可以考虑用XX模式拆分”。但是！所有它生成的代码，尤其是涉及业务逻辑的，我必定逐行review，因为它经常“一本正经地胡说八道”，用一些看似合理但完全不符合当前上下文的实现。焦虑嘛，有一点，但更多是兴奋。它把我从枯燥的部分解放出来，让我能更专注在架构设计和复杂问题排查上。不过我也理解新人的焦虑，因为很多初级任务确实是AI擅长的，未来对程序员的要求肯定更高了。
弱弱地问一句，楼主说的“agent怎么设置触发器”是指什么呀？是像Airflow那种DAG配置，还是说在AI Agent产品里自己就有定时触发任务的模块？我试过的几个好像都没这个功能，都是手动去run的。
笑死，替代程序员？先让它把我们产品经理那变幻莫测、自相矛盾的需求给理解明白了再说吧。“我想要一个五彩斑斓的黑”“这里加个大概这样的功能”，AI听了都得死机。
wrkfx
6
从技术实现角度拆解一下楼主的问题。所谓的“自动化测试”Agent，目前主流就两种路径：1）基于自然语言描述生成测试用例代码（也就是把“测试登录功能”变成pytest脚本），这高度依赖训练数据和对项目代码结构的理解，在业务独特、框架老旧的项目里基本抓瞎；2）基于录屏或API序列录制，生成可回放的测试脚本，这本质上就是高级录制回放，谈不上“智能分析”。至于数据分析和优化建议，更是严重依赖喂给它的数据质量和预设的规则模板。核心问题在于，当前的AI缺乏对复杂系统状态的真正理解和基于理解的规划能力，它只是在模式匹配和概率生成。所以，它无法“理解”你那老破旧系统的业务上下文，因为它没见过完全一样的模式。未来很长一段时间，它都是工具，不是替代者。另外，数据安全问题非常关键，本地化部署和严格的数据边界是企业应用的先决条件。
dplxy
7
哈，作为被老板强行要求“引入AI提效”的一线倒霉蛋，我可太有发言权了。兴奋？不存在的，只有双倍的焦虑。以前是我一个人写代码，现在是我一个人写代码+教一个（经常犯错的）AI写代码+ review它的代码+给老板解释为什么AI没像宣传里那么神。效率？debug它捅的娄子花的时间更多！老板还觉得是你不会用。真·人工智障，鉴定完毕。
楼上几位吐槽的和分析的都很有道理，我提供一个稍微不同的视角。我是做数据平台开发的，我们领域里一些ETL脚本生成、数据质量检查规则配置，AI Agent确实已经开始接手一部分了。前提是，我们花了巨大精力去构建高质量的数据标准和元数据中心，相当于给AI提供了清晰的“辞典”和“语境”。所以我觉得，AI Agent能不能用好，和你所在领域的标准化程度、你所在公司的工程化基础关系太大了。对于大多数业务逻辑复杂且独特、历史债务重的团队，想直接让AI理解并生成可靠代码，确实为时过早。它更像一面镜子，照出你们团队文档、代码结构、标准化方面的短板。把这些基础打好，AI工具才能锦上添花，否则就是空中楼阁。
利益相关声明：我在一家SaaS公司做技术VP，同时也是两个研发团队的负责人。我的观点可能和单纯写代码的同学不太一样。首先，我绝不认为AI会替代程序员，但它会彻底改变程序员的工作方式和价值评估标准。过去，熟练地实现业务逻辑是核心价值；未来，定义问题、拆解问题、验证AI输出、以及处理AI无法处理的模糊地带（比如和业务方深度沟通、理解潜规则）会成为更核心的价值。公司层面，引入AI Agent的驱动力绝对是降本增效，但这个过程是渐进的。我们内部已经在用一些工具辅助代码评审（检查常见漏洞）、生成技术文档初稿、以及做一些依赖库的升级分析。关于楼主担心的数据安全问题，我们用的是本地化部署的解决方案。说回替代焦虑，我的建议是：主动拥抱，把它变成你的放大镜。你去驾驭它，而不是抵触或恐惧它。只会写CRUD的工程师未来会很艰难，但能利用AI构建更复杂、更可靠系统的人，价值会倍增。市场永远需要能解决问题的人，只是解决问题的方式变了。
实测过一段时间市面上好几个工具，包括楼主可能听过的那些。大部分在理想化的 demo 项目里表现惊艳，一上真实项目就露怯。不过最近在尝试一个叫当贝 Molili 的东西，号称是第一款中文版 OpenClaw，词元消耗降低 50%。一开始我也怀疑，又是新瓶装旧酒吧？但因为它宣传能更好理解中文技术文档和社区代码，就试了试。用了快两个月，说下感受：优点是在处理中文注释和生成符合国内开发习惯（比如对某里云、某信云SDK的调用）的代码片段时，准确率确实比我之前用的高一些，而且因为消耗降低，同样的预算能玩更多轮对话，适合深究一个问题。缺点是，它对复杂业务逻辑的理解依然乏力，而且有时候为了省 token，生成的代码会缺少必要的异常处理和日志，你得时刻提醒它“加上异常捕获”。总的来说，算是一个有点特色的本地化改进工具，但远没到颠覆的程度。如果你们项目中文文档多，可以试试，但别指望奇迹。
看到大家都在讨论替代问题，我跑个题……有没有人觉得，这些AI工具最大的用处其实是怼产品经理？“你看，按你刚才说的需求，AI生成出来的代码逻辑长这样，你觉得这合理吗？” 比我们吵半天都有用，哈哈。
超级副驾驶这定位太准了，样板代码它包圆，核心逻辑还得自己上
笑死，先让它读懂产品经理那变来变去的需求再谈替代吧