软件工程师为何总是重复历史?AI时代的「发明轮子」困境

加密钱包与支付解决方案

在2026年的某个夏日,一篇名为《与AI共事更像领导而非编程》的文章登上了Hacker News(HN)首页。评论区中,工程师们热烈讨论着如何管理多个AI代理,仿佛发现了前所未有的新大陆。然而,当我读到这些讨论时,却不禁陷入了深深的忧虑 - - 这不禁让我想起了过去几十年软件工程领域的反复「发明轮子」现象。从数据科学的兴起到加密货币的泡沫,再到如今AI代理管理的热潮,工程师们似乎总是对历史经验视而不见,宁愿从零开始「重新发明」那些早已被前人验证过的方法。这种「不学无术」的态度,不仅浪费了大量时间和资源,还让整个行业陷入了低效的循环。今天,我们就来聊聊这种现象背后的真正原因,以及为什么在AI时代,工程师们更应该回头看看历史的教训。

**从数据科学到「重新发明统计学」**让我们先从数据科学说起。大约在2010年左右,数据科学这个词开始在硅谷流行开来。突然间,每个公司都需要「数据科学家」来帮助他们从海量数据中提取价值。然而,当我们回顾这段历史时,会发现数据科学并不是什么新鲜事物 - - 它实际上就是统计学的一个分支,只是被包装上了更时髦的外衣。在数据科学兴起的早期,工程师们热衷于使用大数据技术(如Hadoop和MapReduce)来处理数据,而统计学家则对这些技术感到陌生。然而,大多数工程师并没有意识到,他们所使用的方法(如贝叶斯推理、回归分析等)早在几十年前就已经被统计学家们完善地建立起来了。

他们只是给这些方法换了个名字,就仿佛发明了新大陆一样。这种「重新发明轮子」的现象在数据科学领域尤为明显。例如,当工程师们开始讨论「大数据」时,他们实际上是在重复统计学家们早已熟知的概念 - - 随着样本量的增加,概率会趋近于确定性。然而,由于缺乏对历史的了解,他们误以为这是一个全新的领域,并为此感到兴奋。更讽刺的是,当统计学家指出数据科学并没有什么新东西时,工程师们反而感到愤怒。他们认为统计学家是在「嫉妒」他们的成功,或者试图贬低他们的成就。

然而,事实恰恰相反:数据科学的真正价值并不在于发明新方法,而在于将现有的统计方法应用到实际问题中。当工程师们最终意识到这一点时,他们已经浪费了大量时间和资源在「重新发明轮子」上。**加密货币:重新发明金融历史**如果说数据科学是「重新发明统计学」的典型案例,那么加密货币则是「重新发明金融历史」的极端例子。在比特币和以太坊等加密货币出现之前,金融行业已经发展了几个世纪。然而,加密货币的支持者们似乎完全忽视了这段历史,而是试图从零开始重新发明货币、交易所、借贷等金融概念。例如,比特币的支持者们声称这是一种「去中心化」的货币,可以避免政府的干预。

然而,他们忽略了一个事实:在20世纪初,自由银行时代(Free Banking Era)的美国已经尝试过类似的「去中心化」货币体系,结果以失败告终。同样,加密货币交易所的崩溃(如Mt. Gox和FTX)也重复了传统金融机构的错误 - - 缺乏监管、内部控制不足等。更讽刺的是,加密货币的支持者们甚至重新发明了「公共汽车站」的概念。在传统金融中,公共汽车站(Bus Stop)是指一种简单的交易方式,即买卖双方在固定地点进行交易。然而,在加密货币领域,这种概念被重新包装为「去中心化交易所」(DEX),并被吹捧为革命性的创新。殊不知,这种「创新」早在几个世纪前就已经存在,只是被加密货币的支持者们遗忘了。

**AI代理管理:重新发明项目管理**现在,我们来到了AI时代。随着AI代理(Agent)的兴起,工程师们又开始讨论如何管理这些「数字员工」。然而,令人惊讶的是,他们似乎又在重复项目管理的历史。在AI代理管理的讨论中,工程师们经常提到「需求文档」(PRD)、「测试驱动开发」(TDD)等概念。然而,这些概念实际上早在几十年前就已经被项目管理领域所熟知。例如,需求文档的重要性在20世纪70年代的「瀑布模型」中就已经被强调,而测试驱动开发的理念也早在20世纪90年代就已经出现。

然而,由于工程师们对历史的无知,他们似乎认为这些概念在AI时代是全新的。他们开始重新发明「瀑布模型」,并将其包装为「AI代理管理」的最佳实践。殊不知,这种「创新」实际上只是对历史经验的重复,而且可能带来更多的问题。例如,在AI代理管理中,工程师们经常提到「定义行为」的重要性。然而,这种需求实际上早在瀑布模型中就已经被强调 - - 在项目开始之前,必须明确需求和目标。然而,由于工程师们对瀑布模型的无知,他们可能会认为这是一种全新的方法,并为此感到兴奋。

更讽刺的是,当工程师们开始抱怨「非技术经理不懂技术」时,他们实际上是在重复20世纪70年代的「技术vs管理」之争。然而,他们似乎没有意识到,这种争论早在几十年前就已经被解决 - - 技术和管理是相辅相成的,而不是对立的。**为什么工程师们总是重复历史?**既然历史已经证明了「重新发明轮子」的低效,为什么工程师们还是乐此不疲呢?这背后有几个原因:首先,工程师们对历史的无知。由于软件工程领域的快速发展,许多工程师对历史经验缺乏了解。他们更倾向于相信「第一性原理」和「从零开始」的方法,而不是学习前人的经验。这种态度虽然在某些情况下可以带来创新,但在大多数情况下只会导致低效和浪费。

其次,商业利益的驱动。在当今的商业环境中,创新和「新颖」往往比效率更重要。工程师们可以通过发明新方法来吸引投资,获得更高的薪资,并获得行业的认可。然而,这种「创新」往往只是对历史经验的重复,只是包装得更时髦而已。最后,工程师们对「权威」的不信任。由于软件工程领域的快速发展,许多工程师对传统的学术机构和权威持怀疑态度。

他们认为,传统的方法(如瀑布模型)已经过时,而新的方法(如敏捷开发)才是未来。然而,这种态度忽略了一个事实:许多传统方法(如瀑布模型)在特定情况下仍然是有效的,只是需要根据具体情况进行调整。**AI时代的「发明轮子」困境**在AI时代,这种「重新发明轮子」的现象变得更加严重。由于AI技术的快速发展,工程师们更加急于「创新」,而忽视了历史经验的重要性。然而,这种态度可能会导致严重的后果。例如,在AI代理管理中,工程师们可能会重新发明「瀑布模型」,并认为这是一种全新的方法。

然而,这种方法可能会导致项目延期、预算超支等问题,因为瀑布模型在复杂的AI项目中可能并不适用。同样,在AI开发中,工程师们可能会忽视「测试驱动开发」(TDD)的重要性,认为这是一种过时的方法。然而,TDD在AI项目中仍然是至关重要的,因为它可以帮助工程师们更早地发现问题,并避免在后期进行昂贵的修复。**如何避免重复历史?**既然「重新发明轮子」的现象如此普遍,我们该如何避免呢?以下是几个建议:首先,工程师们应该多读书。历史上有许多经典的软件工程著作,如《人月神话》、《大型软件系统的开发管理》、《软件工程经济学》等。这些书籍虽然年代久远,但其中的经验教训在今天仍然适用。

通过阅读这些书籍,工程师们可以避免重复前人的错误,并更好地理解软件工程的本质。其次,工程师们应该多与历史悠久的行业(如金融、制造业)进行交流。这些行业已经发展了几个世纪,积累了丰富的管理经验。通过与这些行业的从业者交流,工程师们可以学到许多有用的经验,并避免重复历史错误。最后,工程师们应该培养对历史的敬畏之心。历史不是一堆无用的数据,而是前人智慧的结晶。

通过学习历史,工程师们可以更好地理解当前的问题,并找到更有效的解决方案。**结论:回归历史,避免重复**在AI时代,工程师们面临着前所未有的机遇和挑战。然而,如果他们继续「重新发明轮子」,而忽视历史经验,那么他们可能会陷入低效和浪费的循环。因此,工程师们应该回归历史,学习前人的经验,并避免重复历史错误。只有这样,我们才能真正推动软件工程的发展,并为AI时代的到来做好准备。否则,我们可能会发现自己在几十年后,仍然在讨论如何管理AI代理 - - 而答案早已存在于历史的书页中。

。