五周实测Claude Code暴露人工监督缺口
一名 Java 程序员用五周时间开发了开源 Python 品牌 AI 可见性工具、Java/Spring MCP server、基于 720 条 AI 问答的六篇文章,以及一套智能体工程环境。作者称 Claude Code 编写了 90% 的代码,但需求定义、结果审查和九次失败拦截仍由人负责,其中包括 44 个测试全部通过却归因错误的情况。文章还指出,评测、分发、长期记忆以及法律、财务和身份接口仍是尚未解决的缺口。
这则第一手案例显示,AI 编程智能体可以加速实现,但问题定义、验证、归因、责任承担和分发仍需人来负责。
(系列第六篇。前五篇:品牌 AI 可见性实测、完整榜单、一人+Agent 复盘、科沃斯悖论、引擎代际翻转。这一篇不聊测量,聊我自己的位置——一个自认"积极拥抱 AI"的 Java 程序员,五周实测之后,看清了什么。)
先交代五周做了什么
不是思想实验,是真实产出:一套品牌 AI 可见性测量工具(Python 版,开源);一个 Java/Spring 的 MCP server(12 个任务全程 TDD,44 个测试,代码审查修掉 4 个 Important,同样开源);基于 720 条真实 AI 问答的六篇文章;外加一套自己搭的 agent 工程环境(rules/agents/hooks)。
其中 90% 的代码是 Claude Code 写的。 我是那个说"开始"和"确认"的人。
五周前我的问题是:"程序员是不是要没了?"现在我认为这个问题问错了。对的问题是:AI 把什么变得便宜了,把什么变得更贵了,我缺的是哪一块。
六个缺口:每个都对应一次亲历
缺口一:问题定义——agent 能执行 spec,不能 originate spec
整个项目最值钱的决策,没有一个来自 AI:测哪个品类、为什么要分"搜索层/记忆层"、哪个发现能当文章标题。这些变成了 spec,agent 照着 spec 干得又快又好。
#Claude Code#geo-visibility#geo-visibility-mcp#Java#Spring#Python