在近期一期播客对话中，挪威软件工程师Asgaut Mjølne Söderbom与Ola Hast分享了他们在持续部署和结对编程之后的最新工程实践探索。两人重点讨论了在团队中引入Anthropic旗下AI编程工具Claude Code的实验结果，并给出了一个颇为审慎的结论：该工具适用于编码之外的诸多场景，但在核心编码任务上表现不及预期。
两位工程师指出，Claude Code在代码理解、文档生成、测试辅助、重构建议等周边任务上展现出较高效率，能够显著减少开发者在这些环节上的时间投入。然而，当涉及存量代码库（brownfield codebase）的实际修改和功能实现时，工具的表现并不令人满意。他们认为，这与其说是一个工具能力问题，不如说反映了当前AI编程助手在处理复杂历史代码和业务上下文时的固有局限。
Söderbom和Hast进一步解释了这一现象的根源。存量代码库通常包含大量隐性的业务规则、历史决策记录和未文档化的依赖关系，这些上下文往往只存在于资深开发者的头脑中，而非显式地体现在代码注释或文档里。AI模型虽能处理海量文本，但在缺乏这些隐性知识的情况下，其生成的代码修改建议容易偏离实际需求，甚至引入新的技术债务。
基于上述观察，团队并未完全放弃AI编程工具，而是重新定义了其使用边界。他们将Claude Code定位为辅助性工具，用于代码审查辅助、技术文档撰写、快速原型验证等场景，同时坚持在核心编码环节采用移动编程（mob programming）的方式，由多名开发者共同协作完成关键代码的编写和修改。这种混合工作流既利用了AI在信息检索和文本生成方面的优势，又保留了人类工程师在复杂决策和上下文理解上的不可替代性。
这一实践案例为当前AI辅助编程的讨论提供了一个值得关注的视角。随着大模型能力的快速提升，业界对AI替代程序员的前景存在诸多乐观预期，但实际落地效果往往取决于具体场景的复杂度。对于拥有大量历史代码和深厚业务逻辑的企业级软件项目而言，AI工具在短期内更可能扮演增强人类效率的角色，而非完全替代人类的判断力。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
