引言：80 分危机，把一群程序员推上神坛
凌晨三点，老张盯着屏幕上 AI 生成的 2000 行代码，这是他改的第 47 个 bug。
AI 用一分钟写完了整个模块，他已经调了三天。
更绝望的是：每修一个 bug，AI 都能"贴心"地帮他补出三个新 bug。
这不是段子，这已经是很多开发者的日常。(我自己早怒了,,)
最近知乎上突然爆火的一个词：大模型善后工程师。
看起来有点好笑，但越想越扎心：
AI 已经能把一个项目做到 80 分了。
但真正能上线、能卖钱、没 bug 的，仍然要你 20 分来救。
而这 20 分，恰恰是最难的那部分。
更扎心的是：
从 0 → 80 分，只需要一句 prompt。
但从 80 → 100 分，需要工程师半条命。
所以这份"善后"的工作，开始变成行业刚需。
01. 大模型的"80 分幻觉"：它看起来能干，但它真的不能
一句 prompt，它能给你：
- 方向对
- 代码能跑
- 结构像样
- 文案顺眼
- Demo 一键生成
你觉得卧槽厉害啊，80 分了！ 但很快你会发现它的成长曲线是这样的：
越复杂 → 越玄学 越细节 → 越离谱 越真实 → 越不行
原因很简单：
- 它没有产品逻辑
- 它没有业务上下文
- 它没有边界意识
- 它没有安全意识
- 它不会思考后果，只会预测下一个 token
所以你会看到一堆"莫名其妙但看似合理"的错误：
- 漏字段、漏条件、逻辑跳步、变量改名、错误兜底消失......
- 你越让它补，它越能给你补出一个"新 bug 平行宇宙"。
新手的做法是：一句接一句喂给 AI，让 AI 修复 bug。（是不是？有时一个问题喂了一下午，AI 也没有解决）
老手的做法是："行了行了，我自己来。"
于是，"善后工程师"诞生了。
02. AI 做到 80 分很快，但 80→100 分是地狱难度
为什么？因为 AI 不擅长"确定性"。看几个你一定遇到过的 AI 产品灾难：
1）边界没处理
用户输入异常 → 直接报错
接口没数据 → 直接挂
Token 失效 → 再见
AI 永远假设：输入是完美的，网络是稳定的，用户是理性的。
现实是：用户会输入表情包，会断网，会疯狂点击按钮。
2）异常没兜底
一个报错能把整个链路砸死。
3）安全全靠运气
XSS？SQL 注入？权限？
AI：我不知道，我只是预测文本。
4）性能烂得离谱
O(n³) 算法写得比谁都自信。
5）上下文混乱
API 字段昨晚叫 userId，今天变成 userID，明天变成 uid。
这些东西，AI 永远不会主动告诉你。
于是，你必须"善后"。
03. Agent 两大派系：为什么有的能落地，有的永远只能 PPT？
Agent 现在分两派：
A. 工作流型 Agent ------ 现实可用，能规模化落地
它有 SOP（标准流程）：
输入 → 处理 → 输出
边界明确，有轨道可跑。 可靠、可监控、结果可控。
适用场景：
- 客服机器人（固定问答流程）
- 代码审查（检查清单明确）
- 数据处理（ETL 流程标准化）
- 文档生成（模板 + 规则）
为什么能落地？ 因为可靠性 > 灵活性。
所以大厂能用的，都是这种。
B. 自主型 Agent ------ 自由灵魂，现实灾难
目标模糊、行为难控、结果不可复现。今天帮你干活，明天给你整活。
适合展示，但绝不适合生产。现实问题：
- 今天帮你发邮件，明天给老板发了辞职信
- 今天帮你买东西,明天把你银行卡刷爆
- 今天帮你整理文件，明天把重要文档删了
核心原因：自由度越大，不确定性越大，风险越高。
这也是为什么创业公司喜欢吹自主 Agent，而工程团队只做工作流 Agent。
04. 为什么"善后工程师"是 AI 产品落地的关键？
因为真正的产品，不是能跑就算结束。是能：
- 持续跑
- 正确跑
- 安全跑
- 高性能跑
- 在各种诡异边界下依然跑
这些，统统需要人类开发者介入。
善后工程师究竟在干什么？ 一句话：
把一个"看上去能用"的 AI 产物，变成"真的能上生产"的产品。
细化下来就是：
① 校对
检查 AI 生成物的逻辑漏洞：
- 分支有没有漏？
- 字段是不是一致？
- 状态是否可能错乱？
- 异常是否处理？
举例：
js
// AI 生成的登录逻辑：
if (password === user.password) {
login()
}
// 善后工程师补全：
if (!user) return { error: '用户不存在' }
if (!password) return { error: '密码不能为空' }
if (user.status === 'banned') return { error: '账号已封禁' }
if (user.loginAttempts > 5) return { error: '登录次数过多' }
if (await bcrypt.compare(password, user.passwordHash)) {
await resetLoginAttempts(user.id)
return login(user)
} else {
await incrementLoginAttempts(user.id)
return { error: '密码错误' }
}② 重构
让 AI 代码变得可维护：
- 模块化
- 类型补全
- 结构优化
- 单测补齐
- 性能调优
比如说：AI 生成的"一锅乱炖"代码 → 善后工程师改成清晰的分层架构。
③ 打磨（很重要）
让产品真正能上线：
- 边界处理
- 异常兜底
- 安全策略
- 监控报警
- 性能提升
- 体验优化
这些才是决定产品能不能上线、能不能赚钱的部分。
05. 真相：AI 不是在替代工程师，而是在淘汰"只会写代码的工程师"
AI 做了工程师过去 60%～80% 的"体力活"。
但剩下的 20%，是「经验 + 思考 + 判断 + 产品理解」。
过去：
- 工程师负责 0→100
现在：
- AI 负责 0→80
- 工程师负责最难的 80→100
这个 20%，决定了：
- 产品能不能上线
- 用户会不会崩
- 公司能不能卖钱
- 项目会不会翻车
所以，"善后工程师"不是低端岗位，而是价值更高的岗位。
真正被 AI 取代的，是那些：
- 跟着教程敲
- 不懂架构
- 不看边界
- 不做兜底
- 不懂产品逻辑
- 不理解业务场景
的 30 分工程师。
总结
目前来看，真正 AGI 到来之前，未来的软件开发将分成两类：
- AI 写的：快、便宜、能跑
- 工程师修的：稳、能上线、能赚钱
"善后工程师"的价值在于：
不是写代码，而是把错误的地方修对，把不可靠的地方补稳，把模糊的部分变清晰。
这才是 AI 时代真正的核心竞争力。你认为呢？