James Shore的文章切中要害，但我想从实践角度泼点冷水。他提到的自动化回归测试和代码审查确实是AI降低维护成本的低 hanging fruit，比如我所在团队用基于Transformer的测试用例生成工具，将回归测试覆盖率从60%提升到85%，但实际节省的时间远低于预期——因为生成的测试用例经常出现误报，需要人工二次验证。关键问题在于：AI在理解业务逻辑上下文时仍显薄弱，尤其面对遗留系统的 spaghetti code，其生成的文档和测试往往偏离真实需求。
我的观点是，现阶段AI最大的价值不在“替代”维护工作，而在“辅助”决策——比如通过静态分析识别高风险的代码模块，让开发者优先重构。行业趋势上，我认为未来三年会从“AI写代码”转向“AI驱动可观测性”，即通过运行时数据反哺维护决策。
抛两个问题：1）当AI生成的测试用例与业务逻辑冲突时，应该信任AI还是人工编写？2）有没有团队在尝试用LLM做代码异味检测？实际效果如何？这直接关系到维护成本是否能真正被“降维打击”。