工程化与未来

如果说前四卷主要在回答"AI 编程系统是什么、该怎么设计"，那么这一卷讨论的就是另一个更难的问题：当你真的把它带进团队、带进流程、带进长期使用的环境里，它怎么才能不在现实里失控、腐烂，或者变成一阵短暂热闹。
AI 编程真正进入工程阶段之后，问题会立刻变味。你不再只关心它偶尔能不能写出一段漂亮代码，而要关心它是否稳定、是否可评估、是否能被治理、是否能在团队中迁移。模型不是确定性的，Prompt 和 Skill 会过时，记忆和知识库会陈旧，组织里的角色分工也会被重新推挤。一个系统今天看起来有效，不代表三个月后仍然可靠；一个个体开发者今天觉得顺手，也不代表整个团队明天就能把它变成组织能力。
所以这一卷的三章，分别处理三个递进的问题。第一章讨论非确定性系统的工程化挑战：当输出不是唯一答案，测试、回归、调试、成本控制和版本迁移应该怎么重做。第二章讨论 AI 工程组织学：当 AI 编程从个人效率工具变成团队基础设施，治理对象不再只是模型，而是 Prompt、Skill、知识库、评估集和权限体系这一整批新资产，以及围绕它们展开的角色、指标、授权和迁移路径。最后一章讨论边界与未来——不是抽象预测，而是在前面这些原理、架构与治理问题都摊开之后，回头判断 AI 编程真正擅长什么、不擅长什么，它会把程序员推向哪里，又不会替代掉什么。
这一卷关心的，不是怎么再给系统加一层能力，而是怎么让能力变成可以长期承担后果的工程体系；也不是只讨论眼前的提效，而是追问提效背后真正会沉淀下来的东西，到底是新的生产方式，还是新的技术债。