AI可以用任何手段、写任何东西，但你得是个“中年老登”

作者｜Tina 采访嘉宾｜黄东旭、徐昊、滕昱（按文中出场顺序） “我现在陷入到一种巨大的虚无主义里，AI 什么都能写。” TiDB联合创始人兼CTO黄东旭在完成 db9 项目后这样说。 做 db9 之前，他心里预设过一个终点：复杂到某个阶段，AI 总该做不下去。结果是，每次系统看起来要撞墙，调整 harness、任务拆分和 agent 协作方式之后，它又继续往前走。三个月后，一两个人参与、100 多万行代码的数据库项目跑了出来。最后，他发现自己没有等到那个边界。 “我做 db9 过程中，最大的体会就是，我没看到边界。这已经是我能想到最复杂的软件了，但还是没有看到边界。” 那些让我们争得头破血流的东西，都没了 “没看到边界”的第一层含义，是过去很多被视为长期锁定的东西，开始松动了。 语言、框架、数据库选型，曾经都是软件工程里最重的决策。一个系统写进某种语言、某个框架、某个数据库以后，技术栈会慢慢长成组织结构。招聘按它来，测试体系按它来，部署方式按它来，线上事故的处理经验按它来，工程师的身份认同也按它来。时间越久，这个选型越不像一个技术选择，而更像一条公司命运线。 所以选型是一个漫长、谨慎、充满验证成本的过程。用 Rust 还是 Go？React 还是 Vue？MySQL 还是 Postgres？每有更换技术栈的事情，社区里都会为是否值得吵上好一阵。而且类似的迁移在过去往往是以“年”为单位的工程。Meta 从 Java 迁到 Kotlin，哪怕高度依赖自动化工具，也跑了整整 4.5 年；微软把 TypeScript 编译器用 Go 重写，也花了约 14 个月。 但Bun 从 Zig 迁移到 Rust，用了6天。 Ghostty作者、HashiCorp联合创始人Mitchell Hashimoto 说：“编程语言过去意味着锁定，但现在越来越不是这样了。Rust并不重要，Bun 已经证明，他们几乎可以在一两周内用任何他们想要的语言写代码。” Simon Willison 记录过一个应用层的类似案例。一家中型企业用 coding agent 将他们历史悠久、颇具代表性的遗留App，包括iPhone 和 Android 两个原生版本，都重写成了 React Native。他问这家技术负责人为什么要换框架，对方的回答是：“即使后来证明这个决策是错的，未来也可以再用Agent迁回原生。” 框架选型不再像过去那样是一条单行道，它开始变成一个随时可以撤回、可以重做的工程决策。 数据库也一样。 黄东旭说 "，从 Agent 的视角看，MySQL 和 Postgres 之间，只是语法差异，就像方言问题，不是世界观问题。因为两者背后是同一个心智模型——SQL。这个模型极其稳定，在 LLM 的训练语料里到处都是。Agent 早就懂了。 Agent 没有偏好，“它不会在乎语法优不优雅，也不会在乎社区文化，更不会纠结‘哪一个更像正统’。只要接口是稳定的、语义是清楚的，生态是完备的，网上能找到丰富的文档，它就可以很快适配”。 那些让人类吵得头破血流的品味之争，在 Agent 这里，都不存在了。 “什么都能写” 如果语言、框架、数据库都不再构成不可动摇的长期锁定，那么接下来真正被打开的，就是软件实现本身。 黄东旭说，“AI 基本上可以用任何方案、任何工具、任何手段去写任何东西。” db9就是一个复杂度足够的例子。 它被设计为一个面向 AI Agent 的数据库 "，完整的 Postgres 语法支持、具备向量检索/全文检索能力、TypeScript Serverless 函数、极致多租户。三个月内，从第一行代码到上线，代码量超过 100 万行 Rust。0 行由人类手写，0 行由人类 review。上线后，服务了超过 10,000 个数据库实例。 成本方面，峰值时一天会消耗约 10 亿 token；一个月下来，大约是 2000 美金级别的 token 成本。这个成本相对比最终产出，基本可以忽略不计。对比来看，过去做出同样规模的东西，至少需要几十个人的团队干上一年。“现在相当于我一个人一个月就干出来了，”他说，“所以还是很夸张的，当时我自己也非常震惊。” 这个项目始于感恩节假期的一个小实验，一开始就是想试试看它的边界在哪里。“我心里预想的是，应该做到某个阶段，它就做不下去了。”但每次到了做不下去的时候，就看看是什么地方出错了，然后跟它一起调整自己写的 harness产品，不断优化人和 AI 协同的方式。结果发现它和它的团队越干越好，一直往前走。 “到某个点之后，我发现它已经超出了我能掌握或者说我能看的边界，我就不看了，因为看不过来。它的产出效率太高了。到今天，我已经不太关心代码细节了。至于开发过程，它肯定干得比我好。” AI 做事太快，反馈链路太短。过去这段时间，黄东旭以前攒下的所有 idea，以前想做的但没时间做的所有东西，现在用AI一个不落地的都实现出来了。基本上每天做一个，每天做一个，到后来，他产生 idea 的速度已经跟不上 AI 做出来的速度了，这让他非常难受。 黄东旭本身技术能力足够强。当一个技术很强的人把 AI 握在手里，效果被放大无数倍，结果会很可怕：“我现在的状态是：至少生产软件这个过程已经没有什么意义了。你不会再觉得一个东西很难，或者觉得它是高科技。软件本身作为护城河，这件事已经没有了。我可以复制我看到的任何东西。但复制也没什么意义，因为人家已经做了。” 我们问他：那到底什么软件能写？是否需要一些特别的原始条件？ 他回答：“没有什么原始条件。没有。所以我现在陷入到一种巨大的虚无主义里，什么都能写。” “重写”格局小了 从“什么都能写”走向“什么都能重写”，可能是这轮变化里更值得关注的行业趋势。 AI不只是降低了软件生产门槛，更在改变软件演进的方式。过去，“重写”往往意味着高风险：旧系统不能停、兼容性不能丢、业务逻辑不能错，所以很多老系统，只能继续运行下去，没人敢真正替换它们。 先是那些边界清楚的软件开始被重写，接着连没有源码的系统也开始被还原和重建。 这半年里，有大量的重写案例。 今年2月，Cloudflare的工程师Steve Faulkner发现Next.js很难部署到无服务器平台，于是用AI在一个周末里重写了它，做出Vinext——一个基于Vite的替代实现，Token成本约1100美元，已跑进生产环境。 今年3月，一个叫chardet的Python库——requests的依赖，很可能藏在你的项目里——它的维护者在维护了十二年后，用Claude重写了整个库，并把许可证从LGPL换成了MIT。引发的争议至今没停。 更极端的是没有源码的重写。 总有一些没人愿意触碰、又人人依赖的系统，特别是在运行了几十年的大型企业核心系统里。它们构建于早已无人问津的技术栈，困在过时的数据库、老旧的操作系统、脆弱的虚拟机中。维护人员流失，文档缺失脱节，甚至连源代码都找不到了。 Thoughtworks 做过一个典型案例 "。一套企业系统，源代码完全丢失，只有二进制文件还在。数据库有 650 张表、1200 个存储过程，应用层是 45 个 DLL 文件。团队用LLM辅助反向还原：观察 UI 变化，追踪数据库写入，分析存储过程