你还在手敲代码吗？编程抽象层正上移一级

一个尖锐的问题：你最近的提交里，有多少字符是手打的？

在一场关于 AI 编程的讨论中，一位工程师抛出了一个直击本质的问题：在你最新的几次代码提交（commit）中，有多少百分比的字符是你亲手敲出来的？

这个问题背后，藏着一个正在发生的深刻转变。人们常说"现在 80% 的代码由 AI 编写"，但对话中有一个更妙的类比：其实100% 的代码早就是由编译器写的——我们并没有真的去写汇编代码。

Like we didn't write assembly code, right?

换句话说，从汇编到高级语言，再到今天的 AI 辅助开发，编程始终在做同一件事：不断把抽象层往上抬。区别只在于，这一次抽象层上移的对象，是"写代码"这个动作本身。

抽象层正在整体上移一级

讨论者的核心观点是：我们如今在用一种"并不一定是代码"的语言来开发应用，而所有的工具链也都在朝这个方向迁移。这不是某个功能的小改进，而是一次整体性的位移。

So it's a huge shift.

回顾历史会更清楚：早期程序员直接与机器指令打交道，后来编译器接管了这层繁琐工作，让人们能用 C、Python 这样更接近人类思维的语言表达意图。而今天，AI Agent 正在成为下一个"编译器"——开发者用自然语言表达意图，由 Agent 负责把意图翻译成具体实现。

每一次抽象层上移，被担心的都是同一件事：程序员会不会因此失去对细节的掌控？但历史给出的答案往往是——开发者只是从重复劳动中解放出来，转而处理更高层次的问题。

"少于 1%"：一位资深开发者的真实工作方式

当问题回到自己身上时，这位讨论者的回答相当直接：手打字符占比少于 1%。

It's less than 1%.

但需要注意，这个"少于 1%"并不意味着他放手不管、任由 AI 胡来。恰恰相反，他描述的是一种高强度的迭代协作：让 Agent 去写代码，然后反复地纠正——"不，不是这样""试试另一种方式"。他不写代码骨架，却依然对代码的每一处细节保持深度介入。

这揭示了一个容易被误解的点：字符输入量的下降，并不等于参与度的下降。开发者的角色从"打字员"转向了"评审者与方向把控者"，工作的重心从如何实现转移到要实现什么、以及是否实现对了。

连自家的代码补全都不用了

最有意思的一个细节是：这位讨论者提到，即便他们团队亲手构建了 next-edit prediction（下一步编辑预测）这样的智能补全功能，他自己也基本不再使用了。

I'm absolutely not using code completion.

原因在于，他发现自己的工作层级已经整体上移。代码补全解决的是"敲得更快"的问题，而当你根本不再逐字敲代码、而是通过对话驱动 Agent 时，逐字补全的价值自然就被稀释了。

这是一个值得所有工具厂商警惕的信号：**曾经的杀手级功能，可能会被更高层的交互范式直接架空。**代码补全曾是 AI 编程的第一波浪潮，但当 Agent 式开发成熟，补全或许会退居次要位置。

Next-edit prediction（下一步编辑预测）是代码补全技术的进化形态，代表产品包括 GitHub Copilot 的"next edit suggestions"等功能。与传统补全只在光标处填充单行代码不同，它能预测开发者下一步最可能要修改的位置，并主动提示整段或跨行的变更建议，本质上是把补全从"被动响应"升级为"主动引导"。这类功能在逐字敲代码的工作流中能显著提速，但在 Agent 驱动的对话式开发中，开发者根本不需要盯着编辑器逐行确认，整个文件可能由 Agent 一次性生成或重写，next-edit 预测因此失去了发力点。这也印证了文中的判断：工具的价值高度依赖于它所服务的工作流，工作流一旦跃迁，工具的地位可能随之断崖式下跌。

这对开发者意味着什么

把这几点串起来，可以得到几个务实的判断：

手打代码正在成为少数派动作，但这不代表编程能力贬值，恰恰是把能力集中到了更稀缺的判断力上。
迭代与评审能力变得核心。会不会写 for 循环不再是门槛，能不能快速识别 AI 产出的对错、给出精准的修正方向，才是关键。
工具形态会持续洗牌。代码补全等"提速型"功能可能被"意图驱动型"的 Agent 交互取代。

当然，这段讨论来自单一来源，"少于 1%"更多反映的是走在最前沿的开发者的个人实践，并不代表整个行业的普遍现状。对多数团队而言，手写代码与 AI 生成之间的比例仍在动态变化中。

但方向已经相当清晰：编程的抽象层又一次向上移动了。问题不再是"AI 会不会写代码"，而是"当你几乎不再手打代码时，你的价值放在哪里"。

值得补充的是，"迭代与评审能力"在技术上有一个具体载体：prompt engineering（提示词工程）与对 AI 输出的系统性验证。当开发者不再写代码骨架，他们实际上在做的是：精确描述需求边界、识别 AI 产出中的逻辑漏洞、设计可验证输出正确性的测试用例，以及在多次对话轮次中保持上下文一致性。这些能力并非凭空出现，而是建立在对领域知识和代码质量标准的深刻理解之上——一个从未写过生产级代码的人，很难判断 AI 的输出是否真的"对了"。因此，编程基础知识并未贬值，只是其应用场景从"生产"转向了"验收"。