写代码的“难”和“复杂”，应该分开讨论。
难，描述的是解决一个问题需要多高的能力。复杂，描述的是解决这个问题时，需要同时理解和协调多少关系。
一个算法可能很难，但它的输入、输出和目标都很清楚。一个业务系统里的每段代码可能都不难，但状态、规则、权限和历史数据交织在一起，修改任何一处，都可能影响其他地方。
过去，这两种障碍经常混在一起。我们既要弄清楚系统应该如何工作，又要花大量时间研究代码到底怎么写。
AI 改变了后面这件事。
“不会写”正在失去阻碍作用
不熟悉一个框架，可以让 AI 解释并给出实现；遇到一个报错，可以让它协助定位；需要一种算法，也可以让它提供方案，再通过测试验证。
AI 还没有解决所有技术难题，但它已经跨过了日常开发中的大量知识门槛。许多过去需要反复查资料、做实验才能完成的工作，现在可以更快地得到一个可运行的结果。
于是，开发者越来越少地被“我不会写这段代码”挡住。
但代码能够运行之后，另一类问题才真正显露出来：它应该怎样与整个系统一起工作？
复杂性藏在关系里
以订单系统为例。
创建订单、扣减库存、发起支付、处理退款，每个功能单独看都有明确的实现方法，AI 也能很快写出来。
但这些功能之间存在关系。
支付成功时，库存扣减失败怎么办？用户取消订单后，已经使用的优惠券是否返还？部分退款之后，订单算已完成还是已退款？财务结算应该使用下单时的规则，还是当前的规则？
这些问题里的代码未必难写。难以处理的是：每个答案都必须与其他答案一致。
假设我们为了处理支付失败，增加一个自动取消订单的任务。它本身可能完全正确，却可能与支付回调发生冲突：任务刚取消订单，延迟到达的回调又把订单改成已支付。
两个局部实现都符合各自的要求，放在一起却出现了问题。
复杂性就在这里。我们需要理解的，已经超出了某个函数的实现，还包括状态变化的顺序、规则之间的约束，以及异常发生时系统如何收场。
AI 加快了实现，也加快了系统的增长
过去，写代码需要时间。一个想法能否进入系统，往往要经过成本评估和取舍。
现在，增加一个页面、一组接口或一段判断，可能只需要几次对话。
这带来了很大的自由，也改变了复杂性积累的速度。
遇到一种例外，就补一个判断；发现一个需求，就加一个功能；觉得某段逻辑不够通用，就抽象一层。每次修改都有理由，也都能顺利完成。几个月之后，系统里却可能出现大量互相影响的规则，连开发者自己也解释不清。
生成代码的速度，可以超过理解系统的速度。
一旦出现这种情况，开发就会逐渐变成试探：改一处，看看哪里出问题；再补一处，看看能否恢复。AI 仍然可以继续写代码，但开发者已经越来越难判断，这些修改究竟是在解决问题，还是在增加新的问题。
开发者需要掌控什么
掌控软件，不要求开发者亲手写出每一行代码，也不要求他记住所有细节。
但至少需要掌握三个方面。
第一，关键规则。
什么必须始终成立？例如，同一笔支付不能重复入账，已取消的订单不能直接发货，历史账单不能因为当前配置变化而悄悄改变。
这些规则是判断实现是否正确的依据。没有它们，代码写得再完整，也只能说明它完成了某些操作。
第二，变化的影响。
修改一个订单状态，会影响哪些流程？调整一个字段，哪些页面、接口和报表需要同步变化？
开发者不必记住所有调用位置，但需要有办法查明影响，并知道哪些关系值得重点检查。
第三，验证和恢复的方法。
怎样证明修改符合预期？异常出现时，如何定位？如果方案有问题，能否撤回修改，修复数据？
掌控最终要落实到这些动作上。能够清楚描述系统，只是开始；能够可靠地改变它，才说明这种理解真正有用。
把 AI 的任务放在自己能够验收的范围内
因此，使用 AI 编程时，除了问“它能不能写出来”，还应该问：
“它写完之后，我能不能判断对错？”
边界明确、规则清楚、输入输出可验证的任务，很适合交给 AI。开发者提供目标和约束，AI 完成实现，再通过检查和测试确认结果。
而对于职责模糊、规则冲突的需求，需要先理清问题。
例如，“支持订单取消”看起来是一个简单任务，但如果没有明确取消的时间限制、库存释放方式、支付中的处理规则，AI 就只能自行补充假设。代码越快完成，这些假设就越快进入系统。
所以，任务拆分也不只是为了方便 AI 执行。它应该让每一次变化都处于开发者可以解释、可以验收的范围内。
重要的业务规则值得记录，关键的状态流转值得画清楚，共享的数据契约值得明确。这些工作会让后续修改有据可依，让开发者能够持续理解自己的软件。
更容易实现之后，更需要取舍
AI 让“这个功能能不能做”越来越容易回答，却没有替开发者决定“这个功能值不值得做”。
一个新功能带来的成本，不仅包括实现，还包括它加入之后，与现有规则产生的关系，以及未来每次修改时必须继续照顾它的责任。
有些复杂性来自业务本身，必须处理。有些来自历史选择，需要逐步调整。还有一些只是因为实现太方便，在缺少取舍时被加入了系统。
开发者需要判断这些区别。
过去，我们可能因为写不出来而无法完成软件。以后，我们可能因为写出来太多，却无法掌控而难以继续维护。
AI 已经大幅缓解了写代码的难度。软件能否持续发展，仍然需要开发者理解它的关键关系，控制它的变化，并对其中的决定负责。