传统误区： AI
负责写代码（苦力），人类保留品味（灵魂/判断力）。
作者观点：
品味恰恰是最应该被自动化、被编码进系统的东西。
AI 在执行“一致性的品味”上远胜人类。
作者认为品味的原则是众所周知的，可以被形式化为规则：
我们不再是砌砖的建筑工，而是工厂的维护者。
我们不直接写代码，而是治理“元层”（Meta
Layer）：定义目标、编写 Linters、设定 AI
的工作流、锐化系统的“品味”。
系统不擅长从 0 到 1
的战略决策或市场定位（没有信号时）。
系统极擅长长尾的改进、修复和已知市场的迭代（基于既定信号）。
“停止把品味当作人类最后的技能来保护。
我们要从搬砖升级了。我们现在可以建造大教堂了。”
现在有一种流行的说法：当 AI 接管了所有的编码工作后，“品味”（Taste）将是人类剩下的东西。品味被视为人类最后的技能，是不可简化的核心。我认为这完全搞反了。品味正是你应该编码进系统里的东西。
事实上，AI 最擅长运用的，或许恰恰就是“品味”。
今天的软件是由人类一点点改进出来的“工件”。人类负责规划、排优先级、执行。目前的 AI Agent（智能体）并没有改变这个模式，它们只是让执行变快了。你依然是在把任务从一个人交接给另一个人，或者交给一个“像人一样”的 Agent。一个由人类管理的强大编程 Agent，本质上就像一套外骨骼。
即使编排多个 Agent 也没有改变这种范式，它只是一条更快的流水线。现在的瓶颈显然不在执行速度上。在 Factory（作者的公司），几个月来，每位工程师每天都能提交数千行自洽的代码修改。但拥有这种能力并不意味着这就是正确的发布方式。现在的研发效能（Velocity）取决于准确地挑选“接下来该构建什么”、什么才是重要的、什么样的质量才足够发布。人们把这种能力称为“品味”。而目前，品味存在于人的脑子里，被不连贯地应用，并被这个人的日程表所瓶颈。意见领袖们会告诉你，只有极少数人能拥有这种品味。
现代产品开发是高度被动（Reactionary）的。新模型每周发布，竞争对手一夜之间上线新功能，客户需求随技术能力而变。如果“品味”是一个人，那么反应速度就受限于他的带宽。他重新进行分流（Triage）的速度是有限的，太快了质量就会下降。一个植入了优先级逻辑的系统，可以在环境信号改变的瞬间重新分流任务。人类瓶颈下的品味，恰恰会在环境最混乱的时候崩溃，而这正是最需要良好判断力的时候。
品味的原则其实众所周知：做人们需要的东西；修复用户的问题；做客户要求的功能；删掉没人用的功能；设计直观的交互；从第一性原理思考；质疑假设；理解你的用户。这些原则人类很难持续地坚持。但你的 AI 系统可以被教导去严格执行它们。
所以你必须自动化品味。你写下优先级规则；你定义审查标准中“好”的样子；把你关心的事情形式化；建立机器+AI
的质量控制和验证。系统会比你更一致地运用你的品味。不是因为 AI
在某一时刻的判断力比你强，而是因为它：
——周五下午不会累。
——没有“近因偏差”（Recency bias）。
——不会忘记你上个季度说过的重点。
人类的品味是爆发式的。而 AI 可以被设计成拥有“还不错的品味”，并且持续不断，哪怕是周日凌晨 3 点。对比的维度不是“一个人”是否更一致，而是“三十个人”同时运用判断力。当每个小组、每个冲刺（Sprint）、每个构建者都基于隐性且分歧的标准工作时，质量是随机的。编码后的品味意味着整个组织在同一时间执行同一套标准。在规模化运作下，一致性胜出。
一个自主的产品工程系统可能看起来像这样：
举个具体的例子：在一个开源仓库中，来自遥测、GitHub Issues 和用户反馈的信号被收集在仓库自身定义的轻量级基础设施中。一个“分流 Agent”根据编码好的优先级框架处理这些信息，并在项目管理工具中管理工作项。“编码 Agent”领取高优先级任务，生成实现代码，并圈入人类进行查看。AI 代码审查、安全扫描和 QA 验证自动运行。合并和发布也是自动化调度的。
每一个 Agent 的运行都会被追踪。当 Agent 失败或被门禁拒绝时，轨迹会被记录，模式随之浮现：哪些任务很难？哪些指令模棱两可？这些模式会反馈回信号层：文档和审查标准因此得到完善。Agent 的有效性和就绪度变成了代码库本身可测量、可改进的属性。
维护者很少直接碰代码。他们治理的是一个元层（Meta layer）：定义目标和优先级的文档、代码检查工具（Linters）、类型检查器、强制执行质量标准的 AI 工作流。他们查看 Agent 的执行轨迹并追问：系统在哪里失败了？是什么阻碍了它变得更自主？他们负责让系统的“品味”变得更敏锐。
我们变成了牧羊人，而不是建筑工。
这套系统不适用于所有事情。从 0 到 1 的产品决策、战略转型等——那些还没有信号（Data/Signal）的时候——依然需要一个有信念的人来做决定。系统不擅长回答“我们是否应该存在于这个市场”，但非常擅长回答“既然我们在这个市场了，接下来该建什么”。离既定信号越远，就越需要人。但绝大多数软件工作不是从 0 到 1，而是长尾的改进、修复和功能迭代，这些只需要有纪律地应用已知原则。这就是该系统擅长的地方。
每个人脑海中关于现代软件交付的画面，应该从“一排人互相传递东西”，变成“自动化工厂”。人类维护工厂，工厂制造软件。而工厂的“品味”——关于造什么和什么是好的编码化判断——是需要人类投入最多精力的地方。
这就是人类保持参与的方式。当你停止把时间花在执行上，开始构建治理执行的系统时，你可以瞄准以前不可能的目标。全球金融系统、谷歌、微软、亚马逊、所有现代操作系统、互联网本身：这些都是人类工程的壮举，是在没有这项新技术之前建立的。以前的天花板是你能协调多少人以及他们能动多快。现在，这个天花板即将消失。
别再把“品味”当成人类最后的技能死守不放了。我们要从“搬砖”这个职业升级了。我们现在可以建造大教堂了。
Eno Reyes 这篇文章之所以引起广泛讨论，是因为他试图通过“去魅（Disenchantment）”来重新定义软件工程中神圣不可侵犯的“品味”。以下是对其定义的描述与批判：
在传统软件工程中，“品味”通常指代 Linus Torvalds 或 Steve Jobs
那种难以言说的直觉——对代码优雅性、架构简洁性或产品交互的敏锐感知。
但作者将“品味”定义为：“在高频决策中保持一致性的能力”。他将玄学的“审美”拆解为可执行的布尔逻辑（Boolean
Logic）：
尽管作者的观点对提升研发效能（Engineering Productivity）极具价值，但在概念上存在偷换：
作者列举的原则（如“修复错误”、“移除无用功能”）更多属于工程卫生或最佳实践。这就像说“每天刷牙”是一种“时尚品味”一样。真正的品味往往涉及权衡（Trade-off）——例如，为了极致的性能牺牲可读性，或者为了用户体验打破常规设计模式。AI 擅长守规矩（卫生），却很难理解何时该优雅地打破规矩（品味）。
作者描述的系统高度依赖“信号”（遥测、Issues）。这种基于数据反馈的闭环系统非常擅长局部优化（Hill Climbing），即把现有的东西修得更好。但真正的顶级品味往往是前瞻性的，甚至是在没有数据信号时对他人的否定（如苹果取消耳机孔）。完全自动化的品味可能会导致软件变得平庸地正确，而缺乏灵魂。
作者认为 AI 拥有更好的记忆（不会忘记上季度的决定）。然而，软件工程的语境不仅在于文档，还在于组织架构、市场情绪和人际关系（康威定律）。一个功能是否该做，有时取决于“团队现在的士气能否支撑这个重构”，这种微妙的“品味”目前很难编码进 yaml 文件里。
尽管有上述批评，作者的观点在规模化软件生产（SaaS、企业软件维护）中是极具前瞻性的。如果不把大部分决策自动化，人类就没有带宽去处理真正的“从 0 到 1”。
他实际上是在说：让 AI 负责这 90% 的平庸且繁琐的“正确判断”，好让人类腾出手来，去通过那 10% 的“任性判断”创造奇迹。
评论区
这是大多数人还没准备好面对的部分。如果你不能清晰地定义什么是“好”，什么是“卓越”，那无论多少 AI 工具都救不了你。
如果知识被外化了，数据通过流水线自动迭代，那么剩下的差异化因素就是直觉。
直觉是在数据不足的情况下仍能做出正确判断的能力。它很难被外化，因此很难与他人分享。
在我看来，好品味的真正标志是知道在获得新信息时，何时该更新你的优先级，以及何时该坚持己见。
但我不觉得你想表达的是“品味”。
（显示更多）
注：这是一个双关语/冷笑话，Decapod 指十足目动物（如螃蟹），对应博主的螃蟹表情符号。