软件工程圈里有个老毛病：明明前人已经踩过坑、写过经验，后来的人却总喜欢当成全新发现重新发明一遍。从数据科学把统计学重新包装，到加密货币重演金融史，再到现在AI智能体让瀑布模型悄悄回来，这个模式几乎没怎么变过。工程师兼写作者David Horn最近在一篇文章里把这事说得很直白：很多人宁可重新发明轮子，也不愿意翻一翻旧蓝图。

这个问题在AI智能体流行的今天变得更贵了。因为错误会以token消耗、返工时间和系统复杂度的形式迅速放大。

ai代理写软件爆火

历史总在换马甲重演

数据科学刚火起来的时候，很多团队兴奋地建基线、做诊断，后来发现这不过是统计学穿了件更时髦的衣服。Nate Silver曾调侃“数据科学家”不过是统计学家的性感说法。早在2015年就有论文指出，大学实验室里也在重复类似的“重新发明”。软件工程师带来了BigTable、MapReduce这类规模化工具，融合确实有效，但把已有知识当成全新突破，往往会浪费时间和资源。

加密货币领域更夸张。记者Matt Levine记录过，这个行业在短短几年里几乎跑完了几百年的金融史：炒作、不受监管的交易所、治理失败，经典泡沫和崩盘一一重现。硅谷甚至“重新发明”了城市公交。新鲜感好卖，成熟学科却不容易融到风投故事里。

现在轮到AI智能体了。论坛上很多人突然发现，指挥一群智能体写代码，感觉很像带开发团队。需求必须写清楚，否则模型会走弯路；任务边界要划清楚，否则会重复劳动；长跑任务需要定期检查点。这些听起来是不是很熟悉？瀑布模型的核心要素正在以新名字回来。Winston Royce 1970年的论文早就把顺序规划和它的问题说清楚了，可今天真正读过的人并不多。

AI智能体把旧问题放大了

智能体系统对需求精度的要求更高。模糊的描述会让模型在错误路径上烧掉大量token。优先级变化、任务重叠、产物校验，这些老问题在多智能体协作里变得更尖锐。曾经抱怨非技术经理的工程师，现在面对智能体生成的几千行代码，又开始要求更详细的规格和审查。

Frederick Brooks的《人月神话》依然适用：沟通成本会随团队规模平方增长。十个智能体和十个开发者，本质上面对的是同样的协调难题。Eliyahu Goldratt的约束理论提醒人们：优化错误的瓶颈，整体进度还是会卡住。Royce的论文、项目管理知识体系，这些材料并不时髦，却能解释为什么当前对智能体编排的兴奋感如此眼熟。

现实案例也不少。2012年Knight Capital因为代码复用环境差异，45分钟亏掉4.4亿美元。1999年NASA火星气候探测器因为单位制不一致直接烧毁。波音737 MAX软件问题也有前期预警被忽视的影子。每一次事后复盘，都能看到清晰的先例。

为什么这个习惯这么难改

部分原因可以理解。老学科对很多只学过第一性原理的工程师来说显得遥远。从零开始有时确实能带来新洞察。但另一部分动机没那么体面：把已知方法包装成突破，更容易满足自我，也更容易吸引资源。“有多难呢？”这句话听起来很励志，却常常是高成本的起点。

AI时代的风险在于，错误传播速度更快。智能体可以并行生成大量代码，如果没有历史经验作为约束，技术债会以机器速度堆积。有些团队已经开始建立活的知识库、做结构化复盘、把经典论文当作必读。另一些则继续追逐下一个承诺“管理不再需要”的框架。鸿沟正在拉大。

真正有用的做法其实很朴素

Horn建议直接读那些经受过时间考验的书：《人月神话》讲清楚沟通成本；Royce的论文拆解顺序规划的局限；《目标》引入约束理论；《高产出管理》提供可迁移的管理视角。这些内容不承诺魔法，却解释了为什么当前兴奋感如此熟悉，以及如果不刻意学习，结局也可能同样熟悉。

软件工程从来不是纯技术问题，而是时间、注意力、协调和会犯错的人之间的博弈。AI智能体没有取消这些约束，只是把它们放大了。愿意翻旧蓝图的人，能少走很多弯路；不愿意的人，会继续用新名字重复旧错误。

在智能体越来越能干的今天，真正拉开差距的，往往不是谁先用上最新工具，而是谁更愿意认真对待那些已经写在纸上、却很少被打开的经验。