领域专业知识：智能体 AI 时代最后剩下的护城河

编写软件的难点从来不在于编写本身。几十年来，软件工程的主要挑战不是语言的语法或框架的架构，而是构建一个关于所解决领域的严谨心理模型。无论是需要深入理解税务扣押的工资系统，还是需要掌握 GTFS feeds 的交通应用，代码仅仅是对这种理解的转录。

智能体 AI 从根本上切断了这种联系。我们进入了一个软件可以被生产出来，而开发者无需构建完整的领域心理模型的时代。这种转变打破了一个支撑整个软件职业的核心假设：即编写可用代码的能力是解决领域问题的先决条件。

从“你能构建它”到“你能验证它”的转变

在 AI 时代之前，约束性限制是执行能力。如果一位领域专家——例如物流调度员或精算师——对某种工具有一个绝妙的想法，他们会被学习编程的技术壁垒所阻碍。相反，一名通用型工程师可以通过花费数月或数年时间跟随专家学习并阅读规范，来构建领域的心理模型，从而弥补这一差距。

智能体工具坍缩了技术路径，但并未坍缩领域路径。将领域模型转化为可用代码的能力现在已成为一种廉价的商品。然而，知道什么是“正确”的——即事实真相（ground truth）——的能力仍然稀缺。

请考虑这种新格局下的两种角色：

领域专家： 一位对其领域的输入和输出了如指掌，但看不懂堆栈跟踪（stack trace）的专业人士。有了 AI 智能体，他们突然获得了赋能。他们可以瞬间发现违反劳动法的调度错误或永远无法支付的计费规则，因为他们已经在这些约束中生活了十年。智能体提供转录，而专家提供确保正确性的“先知”（oracle）作用。
通用型工程师： 一位高技能的架构师，可以确保系统可靠且可扩展，但缺乏特定的领域知识。虽然他们可以使用 AI 生成可以编译并通过基础测试的代码，但他们无法验证输出在现实世界中是否正确。他们可以验证软件构建得很好，但无法验证它是否准确地解决了问题。

在这种环境下，最有价值的专业人士是那些能够在两个层面进行验证的人：技术层和领域层。这个人知道生成的代码是稳健的，并且它产生的答案是真实的。他们可以编写编码了特定监管规则的测试，因为他们他们了解该规则，并且他们可以确认测试本身是否有意义，因为他们理解技术实现。

对于工程师来说，战略赌注不再是加倍投入机械化的编码技能。相反，目标是获取一个关于现实世界行业、监管体制或物理过程的深度、经过验证的模型。学习一个领域现在就像曾经学习一种新编程语言一样关键。

虽然领域专家进行“氛围编码”（vibe coding）的前景很诱人，但从业者社区强调了几个关键风险。许多人认为，虽然领域专家可以验证输出，但他们无法验证系统。

"AI 正在使领域专家能够在不了解系统应如何构建的情况下，启动他们自己的软件系统……这些东西大多会同时成为任务关键型且处于损坏状态。"

还存在 AI “谄媚”（sycophancy）的风险，即智能体只是在迎合领域专家的假设，而不是挑战它们或指出矛盾的需求。领域专家可能能够判断结果是否错误，但他们可能没有知识来确保系统不是一个由技术债构成的脆弱混乱体。

此外，有人认为软件工程本身就是领域专业知识的一部分。一名优秀的通用型工程师并不是为了逃避 AI 而跳向一个随机的行业，而是在精通软件架构和可靠性领域——即使在代码被生成时，这项技能集仍然至关重要。

随着编写代码的成本趋向于零，那个“先知”（oracle）——即知道真相的人——的价值正在增加。护城河不再是构建的能力，而是判断的能力。对于那些能够将资深专业人士的隐性知识与工程师的技术判断力结合起来的人来说，构建高影响力、正确软件的机会从未像现在这样大。