AI 会取代程序员吗？这个案例给出了一个不同的答案。

这是一次真实的技术架构决策记录。AI 提供了惊人的知识广度和分析深度，人类带来了判断力、洞察力和架构直觉。最终方案不是任何一方独立产出的——它在 6 轮对话中，从追问与展开的碰撞中涌现。

没有 AI 的展开，追问就没有素材。没有人类的追问，AI 就停在第一个安全方案上。两者相加，才有判断力、洞察力和对代码的品味。

实践案例

第一幕：问题的提出

背景：Unity 大型 C# 项目，代码检索依赖 grep，效率低且不懂语义。

人类提问：C# 代码检索是 grep，效率低且不懂语义，有没有其他什么办法？

AI 给出了完整的技术菜单：tree-sitter、Roslyn、向量检索、Sourcegraph、ast-grep、semgrep……并建议分三个阶段实施。看起来很专业，但这只是 AI 的"安全方案"——风险低、步子小。

AI 的价值：一次性给出 6 种技术方案的完整菜单，每种附带适用场景分析。人类在几分钟内获得了可能需要几天调研的信息广度。

第二幕：引入外部实践，交叉验证

人类判断：Code Graph MCP 会不会更好？另外有一个 Code Graph 实践分享可以参考。你交叉对比下。

人类没有被 AI 的分阶段方案说服，直接提出了更激进的方向，并引入了《我的世界》团队的 Code Graph MCP 实践文章要求交叉对比。AI 在人类引导下得出了关键发现：

  • tree-sitter 对强类型语言远远不够——MC 实践明确验证了这一点
  • 数据流追踪是杀手级能力——AI 之前完全没提到
  • 应该直接上 Roslyn，跳过 tree-sitter 过渡

人类的价值：知道去哪里找参照物，知道要交叉验证，而不是只听 AI 的"安全方案"。

第三幕：坚持用 Roslyn，深究本质区别

人类判断：我觉得应该用 Roslyn，不应该中间方案。但是你提到的 LSP 和 Code Graph MCP 深入分析下这个区别。

人类做了两个决断：直接否决"中间方案"，并要求深入分析 LSP vs Code Graph 的本质区别。AI 深入对比发现三个决定性差距：

维度LSP — IDE 协议Code Graph — 知识图谱
调用链多层需多次往返预计算全部结构关系
字段读写完全没有原生支持
跨函数数据流不可能独有能力

第四幕：追问结合使用的问题

人类判断：结合使用会不会出现某些场景并不是最优解？

不是问"能不能结合"，而是问"结合了会不会反而更差"——这是典型的逆向思维。AI 被迫暴露了组合方案的五个真实问题：

  1. 数据一致性冲突——两套系统给出矛盾结果
  2. 路由决策的模糊地带
  3. 维护成本翻倍
  4. AI 24 个工具有重叠
  5. LSP 唯一不可替代的场景只有实时诊断（IDE 已有）

AI 的结论从"可以结合"转变为"推荐 Roslyn Workspace MCP 单一方案"。

第五幕：抓住核心矛盾——实时性

人类判断：基于 Code Graph 的现实问题，你需要给出其他方案，我担心 coding 过程中出现延迟。

人类把问题从"能力对比"切换到了使用体验：再强大的分析能力，如果在写代码时卡 5 秒，开发者就不会用。AI 被迫跳出框架，提出四个全新替代方案。

第六幕：关键洞察——盲区可以降级

人类判断：Code Graph + 校验层，缺陷是新代码盲区，新代码是不是盲区但是可以识别出来，降级处理？

整个对话中最精彩的一刻：AI 把"新代码盲区"标记为缺陷，人类直接指出——盲区 ≠ 错误。盲区是"已知的未知"，可以识别，可以降级。

由此衍生出降级策略：查询命中干净区域时走图谱（99%，毫秒级）；图谱缺失时降级到 Roslyn（1%，秒级）。

第七幕：最终洞察——它们根本不冲突

人类判断：其实我觉得 Roslyn Workspace MCP 和 Code Graph 本身不冲突啊，结合使用更好？

回到了第四幕的"结合使用"话题——但这次完全不同。第四幕是 LSP + Code Graph（两个竞争方案的拼凑），第七幕是 Roslyn Workspace + Code Graph（真相源 + 加速缓存的分层架构）。

人类看到了 AI 没看到的东西：Roslyn 是数据源，Code Graph 是缓存——就像 MySQL + Redis，它们在架构上是不同层，天然互补。

最终架构

AI（CodeMaker / Claude）通过 MCP Protocol 访问统一 MCP Server，Server 由智能路由层、脏文件追踪器、结果合并器组成，下接两层引擎：

Code Graph（Memgraph）— 加速层 + 深度引擎

  • 多层调用链（毫秒级）
  • 跨函数数据流（独有能力）
  • 全局拓扑分析（独有能力）
  • 字段读写分析

Roslyn Workspace（常驻进程）— 真相层 + 实时引擎

  • 实时符号解析（永远准确）
  • 新代码感知（无盲区）
  • 类型推断 / 编译诊断
  • 增量更新（反哺 Code Graph）

Roslyn 增量更新数据源，反哺 Code Graph。整体关系类比 MySQL + Redis：Roslyn 为真相层，Code Graph 为加速缓存。

路由规则

条件路由动作
图谱有 && 文件干净走图谱（最快）
图谱有 && 部分文件脏图谱 + Roslyn 补脏部分
图谱没有（新代码）Roslyn 兜底
只有图谱能做（数据流、全局拓扑）图谱独占

决策路径回顾

6 轮对话如何逐步推动方案演进：

  1. 第 1 轮：人类引入 MC 实践交叉对比；AI 读完长文逐条对比，识别自身不足。
    结果：从"tree-sitter 过渡"转向"直接 Roslyn"。

  2. 第 2 轮：人类要求深究 LSP vs Code Graph 本质；AI 产出多维度系统对比，发现三个决定性差距。
    结果：明确 Code Graph 的核心优势。

  3. 第 3 轮：人类追问结合使用的问题；AI 诚实暴露 5 个组合方案的真实代价。
    结果：从"都要"到"聚焦"。

  4. 第 4 轮：人类聚焦 coding 实时性；AI 跳出框架，快速产出 4 个替代方案。
    结果：引入 Roslyn Workspace MCP 新思路。

  5. 第 5 轮：人类指出"盲区可以识别，降级处理"；AI 展开完整降级机制设计。
    结果：Code Graph 的实时性问题变为可管理。

  6. 第 6 轮：人类指出"它们不冲突，是互补的"；AI 立刻产出统一架构设计。
    结果：最终方案为 Roslyn + Code Graph 统一 MCP Server。

三方价值解构

AI 的价值

  • 海量技术知识——瞬间给出 6 种方案、每种优缺点
  • 深度分析能力——要求多维度对比时能产出完整矩阵
  • 快速响应——每次对话都能在分钟级内产出高质量分析
  • 诚实自省——被追问时能承认局限性、修正结论
  • 严谨的方案设计——一旦方向确定，架构细节详尽

人类的价值

  • 判断力——从 AI 的"安全方案"中识别保守倾向
  • 洞察力——提出"盲区 ≠ 错误"这种关键区分
  • 架构直觉——发现 Roslyn + Code Graph 类比 MySQL + Redis
  • 逆向思维——问"结合了会不会反而更差"
  • 场景敏感——意识到 coding 实时性是关键约束

人机协作的价值

  • 1 + 1 > 2——最终方案不是任何一方能独立产出的
  • 效率放大——几小时完成几天调研的深度
  • 质量提升——碰撞中暴露盲点、修正偏差
  • 能力互补——AI 的广度 + 人类的判断力

人的十项核心能力

这 10 个能力体现了人类在 AI 时代的不可替代性，按"提问能力 → 判断能力 → 思维能力 → 系统能力"四层递进。

第一层：提问能力（差距最大）

  1. 问对问题的能力
    不是问"有什么方案"，而是问"结合使用会不会反而更差"——这种逆向思维的提问方式，是 AI 最难自主产生的。
  2. 追问到底的能力
    不满足于 AI 的第一轮回答。"深入分析本质区别""给出其他方案"——每一次追问都让方案更精炼。
  3. 敢于否定权威的能力
    "不应该中间方案""这个设计不对"——当 AI 给出看似合理但保守的方案时，人类敢于直接推翻。

第二层：判断能力（核心差异）

  1. 识别"盲区"vs"错误"的能力
    AI 把"新代码盲区"标记为缺陷，人类能看出这是"已知的未知"——这种哲学层面的区分，是 AI 最难自主产生的。
  2. 架构直觉
    看到 Roslyn + Code Graph 像 MySQL + Redis 的结构相似性，跨领域类比能力需要长期积累。
  3. 场景感知
    意识到 coding 实时性是关键约束——用户体验维度，AI 往往忽略。

第三层：思维能力（工程智慧）

  1. 交叉验证意识
    不只听 AI，还要对比 MC 团队的实践——跨信息源验证是工程判断的基础。
  2. 系统思维
    看到"Roslyn 是数据源，Code Graph 是缓存"的分层架构——系统思维需要长期训练。

第四层：系统能力（方法论）

  1. 对话驱动能力
    能在 6 轮对话中逐步推动方案演进，每一轮都在做关键判断。
  2. 价值判断能力
    在 AI 给出 6 种方案时，能识别哪个是"安全但保守"，哪个是"激进但正确"，价值判断最难训练。

深层思考：三个关键区别

1. 问题导向 vs 方案导向

AI 是方案导向的——给出所有可能的方案，让你选。人类是问题导向的——先搞清楚问题的本质，再找方案。

案例：AI 给出 6 种代码检索方案，人类直接问"有没有更好的方案？"——这就是问题导向思维。

2. 宽度 vs 深度

AI 有宽度——知道所有技术方案。人类有深度——能识别每种方案的真实价值。

案例：AI 列出了 tree-sitter、Roslyn、向量检索……人类问"Code Graph 会不会更好？"——这种深度识别来自实践经验。

3. 完整 vs 核心

AI 追求完整——给出所有可能的选项和细节。人类追求核心——找出关键矛盾和本质。

案例：AI 给出"三阶段实施计划"，人类问"直接上 Roslyn 不好吗？"——这是抓住核心的能力。

对比总览

维度 AI 独立能力 人类独立能力 协作产出
方案数量6 种技术方案1-2 个方向最终 1 个最优方案
分析深度浅层优缺点本质区别多维度系统对比
决策速度分钟级秒级（基于判断）6 轮对话几小时
方案创新组合已知方案提出新角度Roslyn + Code Graph 架构
风险识别标准风险深层矛盾降级机制、路由策略
架构智慧技术组合跨领域类比分层架构设计

结论

  1. AI 不会取代程序员
    但会取代不会提问、不会判断、不会思考的程序员。
  2. 程序员的价值在升级
    从"写代码"升级为"做判断"、"做架构"、"做对话"。
  3. 人机协作是未来
    不是 AI vs 人，而是 AI + 人 = 新的生产力。
  4. 培养这 10 个能力
    不是选修课，而是必修课。
  5. 这是最好的时代
    因为工具越来越强，但有判断力的人才越来越珍贵。

AI 提供能力，人类提供方向。

AI 提供宽度，人类提供深度。

AI 提供速度，人类提供智慧。

协作的产出，远大于任何一方独立产出的总和。

这不是 AI 取代人类，这是人类通过 AI 实现更强大的自己。

本文基于真实架构决策对话整理，6 轮对话 · 几小时完成 · 多份技术方案文档。