當心 Vibe Coding 副作用！Netflix 工程師曝「理解萎縮」危機，靠 3 步驟戒掉無腦寫 Code
- Source: https://www.bnext.com.tw/article/89910/the-fate-of-software-engineering-ai-era-reflections
- Published: 2026-01-29T18:00:00+08:00
- Modified: 2026-01-29T18:00:00+08:00
- Author: 數位時代 BusinessNext
- Publisher: 數位時代 BusinessNext
Description
Netflix 資深工程師 Jake Nations 認為，生成式 AI 讓開發速度提升，卻可能讓開發者對系統的理解深度萎縮；解法是先研究與壓縮上下文、制定詳細實施計畫，再讓 AI 在規格內執行。
Article Body
在矽谷技術圈的聚光燈下，一場關於軟體工程本質的動搖正在發生。Netflix 資深工程師 Jake Nations 在一次公開演講中，以一席「告解」揭開序幕：「我發布了我不懂的程式碼，而且我敢打賭，你們也一樣。」透過生成式 AI，開發者得以在數小時內清掉原本需耗時數天的 backlog；但在開發速度背後，理解深度可能急速萎縮，形成「能跑但看不懂」的系統與加速累積的技術債。
Nations 將這視為「無限生成規模」的危機：當生成數量與速度甩開人類理解力，開發者可能從系統建築師變成程式碼搬運工。他借用 Rich Hickey 的框架區分 簡潔（Simple） 與 易用（Easy）：簡潔關乎單一、不纏繞的結構，易用則關乎取得難度。AI 是強大的易用按鈕，能消除摩擦，卻不代表產出的架構簡潔，反而可能掩蓋複雜度。
Netflix 曾嘗試讓 AI agent 重構使用五年的授權系統。舊系統包含歷史遺留的錯誤模式、授權邏輯與業務假設交纏等偶然複雜性；AI 缺乏歷史上下文，容易盲目繼承舊模式，無法辨識哪些接縫應該切斷。初步結論是：AI 不會自動清理技術債，只會讓債務更快繁衍。團隊後來先手動完成部分最困難的遷移，再把累積的約束條件交給 AI。
三階段工作流
- 研究：不要先讓 AI 寫 code。先讓 AI 映射模組依賴，再由工程師反覆質問與修正，將大型 codebase 的混亂狀態壓縮成精準規格，清楚說明做到與不做到的範圍。
- 實施計畫：把計畫寫到「按圖索驥」的程度，定義函數簽名與資料流，讓初級工程師或 agent 可以照規格執行，避免在執行階段自行進行架構發明。
- 執行：先賺取理解，才能享有自動化。人類先親手處理最難的部分，將隱藏約束與失敗經驗作為種子，再讓 AI 在既定規格內執行。
文章最後主張，當程式碼生成的邊際成本趨近於零，真正昂貴的資源會變成系統直覺。若習慣跳過思考直接生成，技術本能可能枯竭；未來更重要的是能在大量程式碼中辨識接縫、理解系統本質，並決定哪些東西值得被寫出來。
資料來源：AI Engineer；BusinessNext 本文初稿為 AI 編撰，整理、編輯／李先泰。