布鲁克斯（Frederick P. Brooks Jr.）在 1986 年发表了论文《没有银弹：软件工程的本质与次要问题》（No Silver Bullet: Essence and Accidents of Software Engineering），后来收入《人月神话》二十周年纪念版。论文的核心论断是：

在十年之内，没有任何一项单独的技术或管理方法，能让软件的生产率、可靠性或简洁性提高一个数量级。

下面先讲布鲁克斯的论证，再用它看 AI Agent，以及在 Agent 时代为什么还要学编程和算法。

一、两种复杂度

布鲁克斯把软件开发的困难分成两类。

偶然复杂度来自工具。用 C 语言写程序要手动分配和释放内存，忘了释放会泄漏，释放错了会崩溃，这些麻烦和业务本身无关。高级语言、垃圾回收、IDE、Web 框架、云服务，一步步把这类复杂度压了下去。

本质复杂度来自问题本身，换什么工具都要面对。布鲁克斯认为它源于软件的四个固有特性。

1. 复杂性。现实的规则本来就多而杂。跨国税务系统要处理各国不同的税法和抵扣规则，任何框架都不能让这些规则变少。
2. 一致性。软件要适配已有的环境，包括老旧的硬件接口、设计糟糕的第三方 API、不合逻辑的用户习惯。这些约束不由开发者决定。
3. 可变性。现实在变，需求就跟着变。人们期望软件容易修改，所以会不断地改它。
4. 不可见性。软件没有物理形态，不能像建筑图纸那样一眼看清结构，团队之间沟通和理解都很难。

几十年来高级语言、面向对象、敏捷开发带来的进步，主要消除的是偶然复杂度。偶然复杂度已经被压得很低，剩下的大头是本质复杂度，它不会因为工具更好而消失。所以不会有哪一项技术单独带来十倍的提升。

二、AI Agent 改变了什么

Agent 能拆解问题、设计架构、写出完整代码，但本质复杂度还在，只是换了一种方式落到人身上。

需求要讲清楚。用户常常只有一个模糊的想法，比如“做一个像淘宝那样的购物网站，但更高端”。需求缺了细节，Agent 只能按训练数据里最常见的做法去补，补出来的是通用方案，不是你的业务逻辑。要让它做对，你得把业务规则、边界条件和异常处理一条条讲清楚。过去用代码描述逻辑，现在用自然语言描述，对严密性的要求没有降低。

现实约束要交代。你的系统可能要对接一个十年前写的、没有文档、经常宕机的内部系统，业务流程里可能有部门之间妥协出来的规矩。Agent 有大量通用知识，但没有你公司的上下文，给出的方案往往默认环境是理想的。这些约束只能由你梳理出来告诉它。

验证的负担变重了。Agent 可以很快生成一整套微服务拆分、表结构、接口设计和几万行代码，接下来的问题是怎么确认它是对的，有没有在哪里埋下逻辑错误。自己一行行写代码时，复杂度在构建过程中被逐步消化；现在构建很快完成，人要做的是审查和测试。审查一个不是自己设计的大系统，认知负担常常比自己从头设计还重。

Agent 真正消除的是偶然复杂度。语法错误、查 API 文档、写样板代码，基本都交给了它。它还能把大任务拆成常见的小任务，因为这类拆法在训练数据里大量出现。在消除偶然复杂度这件事上，它是目前最强的工具。

所以人的工作重心移到了把模糊的现实整理成严密的逻辑上：系统运行在什么环境里，给谁用，出了故障怎么处理，预算多少。这些判断仍然要人来做，也要人来负责。

三、为什么还要学编程和算法

工具替你写代码以后，理解代码的能力更重要了，原因有四个。

1. 你审查不了自己看不懂的东西。Agent 写了一段处理海量数据的代码，不懂算法的人看它能跑就接受了，懂算法的人会先看时间和空间复杂度。没有底层知识，就只能相信 AI 的输出，也发现不了它的错误。
2. 编程训练的是把现实问题拆成严密步骤的能力。学编程和算法，会让人习惯去找边界条件、异常分支和状态变化。没受过这种训练的人写给 Agent 的需求往往发散、有漏洞；受过训练的人会先把输入、输出、约束和异常处理定义清楚。复杂工程要靠后一种需求描述才能推进。
3. AI 给出的通常是最常见的方案。它从历史数据里学习，擅长给出被大量使用过的做法。做常规的管理后台，这已经够用。做高频交易、游戏引擎、资源受限的嵌入式设备时，需要常见方案达不到的性能和结构，这要靠扎实的算法和底层原理去设计。
4. 系统出故障时要有人定位。生产环境里的内存泄漏、死锁和并发竞争，Agent 很难只凭几行报错日志找到根因。这时需要对操作系统、网络协议和数据结构的深入理解，才能从零散的线索里找到原因。

计算器是一个合适的类比。计算器普及以后，手算加减乘除、开方、查对数表都不需要了，但数学没有因此变得不重要。计算器只给出结果，不会告诉你该建什么模型，也不会教你用微积分描述物理现象。Agent 在软件工程里的角色和计算器相似。代码语法相当于算术，编程思维、算法设计和系统架构相当于微积分和线性代数。

学编程和算法的目的，从写出代码变成了能判断、指挥和纠正 AI 写的代码。