1. AI IDE 引起的量变
AI 生成了大量代码引入工程。AI IDE 实在太好用，从之前的命名补全，到函数实现的生成，再到现在整个功能代码的交付。甚至你不需要会写代码，通过聊天对话，也能完成很多的软件迭代任务，代码交付从未如此简单。
激进的团队已经拥抱 AI IDE。全局性地引入 AI IDE 不同于个人尝试，B 端用户的选择与社会生产力变革息息相关。AI IDE 已经不再是个人、局部的选择，而是正在被大规模、普遍地使用，逐步成为软件开发基石之一。
唯有思辨适应才能生存。本篇是我对 AI IDE 的一些思考，这里的 AI IDE 指的是 Cursor 这类基于 AI 驱动的能自动完成任务的编程智能体。
2. 与 AI IDE 的关系
我发现了一个很有意思的模型，用于描述 AI IDE。
AI 的发展一直围绕着两个核心交替前行，规则与统计。而 AI IDE 连通了这两个核心。
代码其实就是规则，顺序、循环、条件判断都是编程语言设计者预先抽象出来的规则，程序员只是在这些规则之上进行组合，实现具体的功能。软件的使用场景就是数据集，基于历史的数据集进行统计得到模型。
而 AI IDE 基于模型能力，设计了通用的代码期望适配所有的场景，再去真实的场景中验证数据集。
人类基于统计训练了模型，而 AI IDE 基于模型得到了规则。
3. 我们在训练软件
CES 2026 上，黄仁勋在演讲中提到，“你不再写软件，而是在训练软件“，他想表述的是软件不再是静态的，而是能感知并适应的 GPU 智能体。
“training the software” 瞬间激活了我使用 Cursor 开发智能告警处理软件的经历。
刚开始，我只是一股脑将全部的要求、需要实现的功能全都告诉 Cursor，让 Cursor 帮我生成整个项目。Cursor 实现的速度和质量都非常让我满意。一周的工作量，一个上午就能搞定。但随着要求越来越多，我发现与 Cursor 之间的沟通，总是有偏差，以至于我老是骂他，他倒是客气地道歉然后继续修复，但是问题依然存在。
这种偏差来自:
- 我的表述不清，没对齐，于是我让 Cursor 先生成文档，确认之后，再实现。但 Cursor 实现的还是不是我想要的
- 软件在真实测试时不可用，Cursor 和我陷入了修 Bug 和测试的死循环
目前，我采用的就是类似 “训练软件” 的方式解决这种与 Cursor 之间的偏差。
- 先做模块拆分，有了清晰的模块划分，Cursor 每次需要修改的范围小，效果更好
- 每个模块打好样，现在我给 Cursor 最多的一句指示就是 ”参考 xxx 项目“，实际上 “xxx” 也是 Cursor 生成的。对于复杂项目，我会先让 Cursor 针对关键模块，先写一个可以用的 Demo 验证，作为参考
- 提前测试，不能等到 Cursor 实现完了再测试。我会从简单到复杂，逐步让 Cursor 得到我的测试反馈，然后继续写
这不就是在 “训练软件” 吗？用 AI IDE 自己生成的代码来训练 AI IDE 得到更准确的代码，用真实的场景投喂 AI IDE 让他沿着我想要的方向去增强。
4. 谁更容易成为超级个体
AI IDE 只是拉高了工程师的底线，而不是缩小了工程师的差距，超级个体会出现。
超级个体，可能不仅仅是十倍工程师，而是百倍、千倍工程师，分布式沟通成本远比单体高。超级个体能够独立完成复杂工程的整体交付。
普通工程师更像是一个被 AI IDE 牵着走的学生，只是盯着最终的效果，而不是软件工程最原始的高内聚低耦合、可维护性、可扩展性这些基本要求。资深工程师已经经过大量编码实践、项目工程，对复杂项目的演进有着更深刻的理解，更有可能独自完成超级复杂的项目。
AI IDE 的能力，会让普通工程师错过编码学习、工程实践的机会，误把工具的能力当做自己的能力。但凡大师，必然经历过大量的亲身实践，快速迭代成长而来。
因此，我认为，在相同接受度（学习率）和努力程度(训练强度)的情况下，资深工程师比普通工程师更容易成为超级个体。资深工程师唯一需要做的是，要跳出舒适路径，将 AI 放在优先级尽可能高的位置，而不仅仅是和 AI 聊个天。
5. 我们能做些什么
积极尝试。虽然周围的人都在用 Cursor ，我相信还是有很多人没有尝试过 AI IDE 或者这类超级智能体。试一试吧，能付费就买最贵的，不能付费就用人最多的，你可能会打开一个新的视野，看到不一样的世界。
分级托管给智能体。有些项目，我是完全交给 AI IDE 帮我完成的，但有些我不会。对于需要长期迭代维护，对可靠性要求比较高的项目，我只会让 AI IDE 帮我完成函数级的实现、寻找修复 Bug 这些工作。不同的项目，AI IDE 的采纳程度可以不同。
重构架构对齐 AI IDE。公司已经采纳，生产可用，未来已来，虽然不知道什么时候到，但是智能体接管软件开发是必然的，唯有对齐。为了让模型更好理解，要采用共识的设计、要缩小范围、要Prompt（文档、各种命名、注释）对齐，为了要更好执行，要 MCP 导出，要做观测，要让 AI IDE 能快速生成直接可用的代码和工程。
量变会引起质变，但不一定是好的质变。最后说一点我的担忧，大量 AI IDE 生成的代码涌入代码仓库，无论是代码量、还是复杂度都在急剧增加，整个项目的质量如何保障？测试集是完备的吗？是不是只有智能体具有维护能力，而且只有某一个智能体？项目还是我们的吗？答案留给你思考。