领域专长一直是真正的护城河

# 领域专业知识始终是真正的护城河 来源：https://www.brethorsting.com/blog/2026/05/domain-expertise-has-always-been-the-real-moat 编写软件的难点从来不是编写代码本身。难点在于首先要在脑海中建立一个对领域的工作模型。在交付一个薪资系统之前，你必须理解扣款、税前扣除，以及当某人的薪资周期跨越税率变化时会发生什么。在交付一个交通应用之前，你必须了解什么是 GTFS feed，为什么行程和路线不是一回事，以及为什么一辆“准时”的公交车仍然可能是错的。代码只是那种理解的转录。获取理解才是真正的工作。 智能体 AI 切断了这两者之间的联系。你现在可以在没有建立领域模型的情况下产出软件，而这打破了过去整个行业所依赖的一个假设。 标准的观点——包括我自己去年（https://www.brethorsting.com/blog/2025/07/agentic-coding-tools-not-skynet%2C-not-a-stochastic-parrot/）的观点——认为这些工具放大了资深开发者的能力，因为资深开发者具有判断力。这个说法没错，但不完整。自从那时以来我观察到的情况更具体、更有趣：约束条件已经从“你能构建它吗”转移到了“你能判断它是否正确吗”。 想想谁能够真正用好这些工具。想象两个人。 第一个人是领域专家，没有真正的软件背景。比如物流调度员、临床编码员、精算师。他们看不懂堆栈跟踪，也分不清哈希表和列表的区别。但是，他们能看到智能体生成的排班表，并立刻知道没有任何司机可以合法地工作那个班次；或者看到一组带有特定编码的索赔，就知道这根本不会赔付。他们知道对于给定的输入，正确的输出应该是什么，因为他们已经在这些输入和输出中生活了十年。递给他们一个智能体，他们惊人地高效，因为他们所缺少的——生成代码的能力——恰恰是智能体所提供的东西。他们带来的，正是智能体无法提供的：真实的地面真相。 第二个人是强大的通用工程师，但从未在该领域工作过。他们能架构任何东西，懂得可靠性、测试，以及如何让系统在凌晨两点不崩溃。但如果把他们放到临床编码领域，他们无法区分一个看起来合理但错误的答案和一个正确的答案。智能体会愉快地生成一个通过编译和工程师想到的测试的计费规则，但这个规则是微妙且代价高昂地错误的。工程师没有“神谕”。他们能验证软件构建得很好，但他们无法验证软件是否“正确”，因为这里的正确性完全由一个他们头脑中没有的领域来定义。 注意这是如何倾斜的。在智能体出现之前，工程师拥有一条调度员没有的路径：他们可以去学习这个领域。缓慢而痛苦地，通过跟随专家学习、阅读规范、在生产环境中犯错，他们建立起心理模型，然后才能构建系统。在众多领域中，这条路径就是整个职业阶梯。而领域专家没有对应的路径，因为学习构建可靠软件需要数年时间，而这绝不是他们会去做的。 智能体工具摧毁了其中一条路径，却没有摧毁另一条。工程师的优势——将领域模型转化为可运行代码的能力——现在变得廉价。而领域专家的优势——知道什么是对的——依然珍贵。你无法通过提示词来获得它。没有哪个技能文件能装下一个人处理过上千份薪资单后积累的隐性知识。 因此，在这个新世界里，最有价值的人是同时拥有这两种技能的人，因为他们能够在两个层面进行验证。他们知道生成的代码是合理的，并且知道它产生的答案是真实的。他们能写出编码“司机不能超过十一小时”的测试，因为他们知道这个规则；而且他们能判断测试本身是有意义的，因为他们知道自己测试的是什么。智能体负责转录。而他们负责评判，两次。 如果你是一位经验丰富的工程师，正在思考未来几年该往哪个方向投入，那么这就是你的赌注。你曾经为之努力过的机械技能——把清晰的想法变成干净的代码——已经变得远没有那么有价值了。仍然稀缺的，是一个对某个真实领域深入、验证过的模型。去获取一个吧。选择一个行业、一种工具、一套监管制度、一个物理过程，像你曾经学习编程语言或框架那样去学习它。这就是智能体无法为你做的事情，也是现在最有价值的部分。