过去的软件开发中需求不够清楚程序员通常会在编码过程中逐渐发现问题。接口定义不完整。业务规则存在冲突。异常场景没有说明。验收标准无法量化。开发速度相对较慢很多问题会在讨论、编码和测试过程中暴露出来。但当ChatGPT开始帮助分析需求Codex可以快速读取项目、修改代码并运行测试Pro开始支撑更长、更复杂的任务后开发节奏发生了变化。AI可能在几分钟内完成过去需要几小时甚至几天的代码修改。这时一个更加关键的问题出现了AI写代码越快错误需求被实现的速度也越快。真正限制AI开发效率的正在从代码生成能力转向需求定义能力。这背后对应的是软件开发中一直存在、却在AI时代变得更加重要的一项能力需求工程。一、AI可以快速实现但不会自动判断目标是否正确开发者向Codex提交一个任务优化用户查询接口提高响应速度。AI可以快速分析代码、修改查询方式、增加缓存并补充测试。最终接口确实变快了。但这并不能证明任务真正完成。因为需求中可能还隐藏着其他限制返回数据不能减少权限校验不能被绕过缓存必须及时失效旧客户端仍需兼容查询结果必须保持实时不能增加新的基础设施成本。如果这些条件没有明确写进任务Codex只能根据当前代码和常见实践进行推断。它可能高效完成了一个技术目标却破坏了更重要的业务目标。AI擅长回答怎样实现。但开发者必须先确认究竟应该实现什么。二、需求模糊时模型越强影响范围可能越大面对模糊任务普通代码补全工具可能只生成一个函数。但具备工程执行能力的Codex可能进一步读取多个模块调整接口结构修改共享组件增加新依赖重写测试更新配置清理它认为无用的代码。执行能力越强模糊需求产生的影响范围越大。例如一句重构认证模块让代码更简洁。其中至少存在几个没有回答的问题重构的核心目标是什么是否允许改变接口是否保留历史兼容逻辑是否可以调整令牌格式是否允许修改数据库怎样证明重构以后更好哪些风险不可接受。如果这些问题没有解决所谓“让代码更简洁”只是一个主观方向。AI可能删除重复代码。也可能删除看似重复、实际承担兼容职责的逻辑。所以AI编程时代最危险的任务不一定是复杂任务。而是看起来简单、实际上没有被定义清楚的任务。三、什么是AI需求工程AI需求工程不是把需求写得更长。也不是在提示词中加入更多背景。它的核心是把一个模糊目标转化成AI能够理解、执行和验证的任务规格。完整链路可以表示为业务问题↓用户目标↓功能需求↓非功能约束↓修改边界↓验收标准↓Codex工程执行↓结果验证它至少需要回答五个问题真正需要解决的问题是什么哪些结果必须实现哪些条件不能被破坏AI可以修改到什么范围怎样证明任务已经完成。需求工程不是AI执行之前的一段说明。它决定了整个任务应该向哪个方向运行。四、第一层区分问题和解决方案开发者经常直接把解决方案当成需求。例如给接口增加Redis缓存。这实际上不是需求而是一个技术方案。真正的问题可能是用户列表接口在高峰期响应超过三秒。缓存只是可能的解决方式之一。其他方式还可能包括优化数据库索引减少重复查询调整分页逻辑合并外部请求修复资源竞争降低序列化成本。如果直接要求Codex增加缓存AI会围绕缓存执行。但缓存未必是最合适的方案还可能引入一致性和失效问题。更可靠的任务应该先说明问题再允许ChatGPT和Codex分析方案。当前接口在高峰期响应超过三秒需要在不改变返回结构和数据实时性的前提下降低响应时间。先定位主要耗时再提出修改方案。问题定义正确AI才有机会选择正确路径。五、第二层补充非功能需求很多AI生成的代码能够实现功能却难以进入真实系统。原因是任务只描述了“能不能用”没有描述“应该怎样运行”。非功能需求通常包括性能安全稳定性可维护性兼容性可观测性可回退性。例如实现文件上传功能只说明“用户能够上传文件”远远不够。还需要明确文件大小限制支持的格式权限要求超时处理恶意文件检测存储失败后的状态日志和审计要求。功能需求决定系统做什么。非功能需求决定系统是否能够长期可靠地做这件事。六、第三层把禁止项写进需求很多开发者只告诉AI应该做什么却没有说明不能做什么。但在真实工程中禁止项往往比目标更重要。例如不修改数据库结构不改变公开接口不新增第三方依赖不删除兼容逻辑不扩大当前任务范围不触碰生产配置。这些限制可以防止Codex为了完成局部目标采用影响范围更大的方案。AI不会天然知道项目中的所有底线。如果某项约束非常重要就不能依赖模型自行推断。必须明确写入任务规格。七、第四层定义可验证的验收标准“优化完成”“代码更好”“结构更清晰”都不是可靠的验收标准。它们缺少可验证条件。更有效的标准应该类似接口平均响应时间降低到指定范围原有测试全部通过新增异常场景测试公开接口保持不变不增加高风险依赖输出完整变更文件和风险说明。没有验收标准Codex只能根据自己的判断决定什么时候完成任务。而AI认为“已经完成”往往只代表它已经执行了计划中的动作。不代表结果已经符合真实目标。八、ChatGPT与Codex在需求工程中的分工ChatGPT需求澄清与规格设计ChatGPT适合帮助开发者识别模糊表达发现相互冲突的要求补充遗漏场景区分问题和方案设计验收标准把自然语言整理成结构化任务。它负责把“我想做什么”转化成“系统应该满足什么”。Codex根据规格执行工程任务Codex更适合读取项目结构定位相关模块根据明确边界修改代码运行测试检查变更影响输出执行结果。需求越明确Codex越不需要在执行过程中猜测。猜测越少工程结果越稳定。九、Pro提高的是执行规模不会自动补全真实需求Pro可以支撑更长的分析、更复杂的项目和更持续的协作。但更多上下文和更强推理并不等于AI能够自动知道所有业务要求。有些信息不存在于代码中团队当前的优先级项目的历史原因外部客户的兼容要求组织内部的风险偏好尚未写入文档的业务规则。Pro可以帮助分析已提供的信息。却不能保证补全从未提供的信息。模型越强越容易给出完整、合理的方案。但方案看起来完整不代表需求已经完整。十、程序员正在从代码描述者转向目标设计者AI降低了代码生成成本。但它也提高了目标定义的重要性。未来开发者需要更加擅长识别真正的问题区分需求和解决方案明确功能与非功能目标设置执行边界定义验收标准判断哪些信息仍然缺失。过去一个模糊需求可能造成几天返工。未来一个模糊需求可能在几分钟内生成大量错误代码、测试和文档。执行速度越快需求错误的代价越高。结语ChatGPT可以帮助澄清目标和整理任务规格。Codex可以根据明确需求进入项目执行修改。Pro可以支撑更长、更复杂的人机协作。但AI编程真正的起点不是代码生成。而是把问题定义清楚。需求正确自动化才能放大效率。需求错误自动化只会更快地放大偏差。未来程序员的重要能力不只是告诉AI怎样写代码。而是准确说明什么问题值得解决。什么结果才算完成。哪些边界不能突破。哪些风险必须提前控制。AI负责快速实现。需求工程决定实现的究竟是不是正确的东西。