这条帖子讨论的是：在 AI 代理和 vibe coding（靠自然语言快速堆出代码）越来越强之后，真正稀缺的到底是写代码能力，还是把现实业务翻译成可执行规则的能力。评论里反复拿 accounting、banking、医疗、物流、title insurance、航空和 sports betting 等场景举例，说明很多知识是隐性的、地方性的、会随流程和监管变化。与此同时，AI 也被当成一种放大器，让 domain expert 借助 Tableau（BI 工具）、Excel、Unity（游戏引擎）或 agentic coding（让 AI 反复调用工具并修代码）快速做出内部工具、原型和小型应用。争议点集中在：它究竟是在削弱软件工程师的护城河，还是只是把价值从写代码转移到了定义问题、验证结果和控制系统边界。
评论最集中的是一个区分：领域专家通常能判断某个结果对不对，却很难把脑中的规则完整写成规范。有人用 accounting 事务、母语语法和交易规则举例，说明真正困难的是把隐性判断变成显式可执行的 spec。也有人提到 Polanyi's paradox，认为这正是 AI 和 automation 的老障碍。DSL、markdown 规则文件、BDD 式例子/反例和测试框架，被看作把经验转成机器可处理规则的折中办法。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
另一条主线是在反驳“只要懂领域就够了”：软件工程本身也是一个高度专业化的 domain。评论反复提到架构、可维护性、并发、性能、数据建模、security、race condition 和 memory leak 这些东西，不是看几条输入输出就能保证的。很多 domain expert 产出的 MVP 之所以能跑，只是碰巧覆盖了当前场景，后续一加功能就会暴露出 tech debt。也有人强调，真正能把软件做长期的人，必须同时懂业务和工程约束。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
不少人认为 AI 已经让非程序员更容易做内部工具、个人应用和小型 MVP。举例包括把 Tableau 报表改成更灵活的 app、医师做 Clinical Decision Support System、渔业/海上数据场景做原型，以及用 Excel/VBA、Unity 之类工具快速落地。这个路径确实降低了起步门槛，也让很多人第一次能把自己的想法做成可用软件。评论也普遍承认，这类作品更多停留在局部可用，离可扩展、可维护、可审计的产品还差一截。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7]
在金融、银行、保险、物流、航空和医疗等场景里，评论认为真正稀缺的是公司内和监管内的细节。很多关键知识不是公开文档能补齐的，而是本地流程、历史包袱、API 变更、部门政治和“secret handshake”这类东西。有人举 real estate title insurance、warehouse management、air travel commission rules、sports betting API 等例子，说明泛化知识很快就会失效。对这些领域来说，模型可以知道大方向，但往往不知道一家公司或一个 jurisdiction 到底怎么运转。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
多数人认为更现实的形态不是 domain expert 单挑，而是 domain expert、senior engineer 和 QA/平台工程的组合。有人主张由平台工程师提供 guardrails、validation、prompt library 和人工复核，让领域专家安全地使用 agent。也有人说真正有价值的是 hybrid 人：既懂业务又懂软件，或者能做 generalist，在多个领域里快速建立上下文。AI 让分工更碎，但也把 product、GTM、sales 和系统级判断推到更前面。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
也有很多评论对这场叙事很怀疑，认为它是在用“AI 终将替代一切”或“领域知识才是护城河”来不断挪动门槛。悲观看法是，AI 先让烂代码和低质量产出更便宜，长期会压低经验工程师的需求。反过来，质疑者指出模型仍然缺少稳定上下文、真实验证和对复杂系统的整体理解，今天的夸张预测很可能又会被现实打脸。整个讨论里最常见的情绪不是共识，而是对 hype、裁员和职业前景的焦虑。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8]
Polanyi's paradox: 波兰尼悖论：很多知识只能通过实践掌握，难以完整说成显式规则。
隐性知识: 藏在经验和手感里的知识，能判断对错，却不容易一次性写成规格。
BDD: Behavior-Driven Development，用例子、反例和验收场景来把需求变成可测试行为。
DSL: domain-specific language，面向特定业务规则设计的专用小语言。
vibe coding: 靠自然语言和直觉让 AI 直接生成并修改代码的写码方式。
agentic coding: 让 AI 代理反复调用工具、测试、调试和修复的开发流程。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。