ChatGPT、Codex 和 AI Agent 正在改变软件开发方式。但真正重要的变化，不只是：AI 可以写代码。而是：AI 开始参与理解复杂系统。如何写代码如何组织信息如何建立上下文如何让 AI 理解系统如何控制 AI 修改边界代码生成只是表层。上下文工程才是 AI 编程时代真正的基础设施。模型决定 AI 的智力上限。上下文决定 AI 能发挥多少能力。未来优秀开发者，不一定是写代码最快的人。而

ChatGPT、Codex 和 AI Agent 正在改变软件开发方式。但真正重要的变化，不只是：AI 可以写代码。而是：AI 开始参与理解复杂系统。如何写代码如何组织信息如何建立上下文如何让 AI 理解系统如何控制 AI 修改边界代码生成只是表层。上下文工程才是 AI 编程时代真正的基础设施。模型决定 AI 的智力上限。上下文决定 AI 能发挥多少能力。未来优秀开发者，不一定是写代码最快的人。而

ChatGPT、Codex 和 AI Agent 正在改变软件开发方式。但真正重要的变化，不只是：AI 可以写代码。而是：AI 开始参与理解复杂系统。如何写代码如何组织信息如何建立上下文如何让 AI 理解系统如何控制 AI 修改边界代码生成只是表层。上下文工程才是 AI 编程时代真正的基础设施。模型决定 AI 的智力上限。上下文决定 AI 能发挥多少能力。未来优秀开发者，不一定是写代码最快的人。而

ChatGPT、Codex 和 AI Agent 正在改变软件开发方式。但真正重要的变化，不只是：AI 可以写代码。而是：AI 开始参与理解复杂系统。如何写代码如何组织信息如何建立上下文如何让 AI 理解系统如何控制 AI 修改边界代码生成只是表层。上下文工程才是 AI 编程时代真正的基础设施。模型决定 AI 的智力上限。上下文决定 AI 能发挥多少能力。未来优秀开发者，不一定是写代码最快的人。而

过去的软件工程：关注代码执行。未来的 AI 工程：关注智能决策。当 ChatGPT、Codex、Pro、Plus 进入真实生产环境，最大的挑战不是：“AI 能不能完成任务。为什么这样完成？依据是什么？过程是否合理？结果是否可信？失败如何定位？AI Observability 会成为 LLM-Native 软件工程的重要基础设施。未来优秀开发者，不只是会调用 AI。还需要知道：如何观察 AI。如何理

过去的软件工程：关注代码执行。未来的 AI 工程：关注智能决策。当 ChatGPT、Codex、Pro、Plus 进入真实生产环境，最大的挑战不是：“AI 能不能完成任务。为什么这样完成？依据是什么？过程是否合理？结果是否可信？失败如何定位？AI Observability 会成为 LLM-Native 软件工程的重要基础设施。未来优秀开发者，不只是会调用 AI。还需要知道：如何观察 AI。如何理

一个任务在继续自动执行前，最多允许保留多少未解决的不确定性。例如文章草稿任务风险较低，可以容忍较高不确定性。预算：0.7但生产数据库修改任务风险很高，只能容忍非常低的不确定性。预算：0.1任务越接近不可逆操作，预算越低。这不是说高风险任务必须完全没有不确定性。而是说：在进入高风险阶段之前，系统必须通过检索、测试、验证或人工审批，把不确定性降低到允许范围内。传统软件系统追求确定性。输入明确。规则明确

一个任务在继续自动执行前，最多允许保留多少未解决的不确定性。例如文章草稿任务风险较低，可以容忍较高不确定性。预算：0.7但生产数据库修改任务风险很高，只能容忍非常低的不确定性。预算：0.1任务越接近不可逆操作，预算越低。这不是说高风险任务必须完全没有不确定性。而是说：在进入高风险阶段之前，系统必须通过检索、测试、验证或人工审批，把不确定性降低到允许范围内。传统软件系统追求确定性。输入明确。规则明确

一个任务在继续自动执行前，最多允许保留多少未解决的不确定性。例如文章草稿任务风险较低，可以容忍较高不确定性。预算：0.7但生产数据库修改任务风险很高，只能容忍非常低的不确定性。预算：0.1任务越接近不可逆操作，预算越低。这不是说高风险任务必须完全没有不确定性。而是说：在进入高风险阶段之前，系统必须通过检索、测试、验证或人工审批，把不确定性降低到允许范围内。传统软件系统追求确定性。输入明确。规则明确

一个任务在继续自动执行前，最多允许保留多少未解决的不确定性。例如文章草稿任务风险较低，可以容忍较高不确定性。预算：0.7但生产数据库修改任务风险很高，只能容忍非常低的不确定性。预算：0.1任务越接近不可逆操作，预算越低。这不是说高风险任务必须完全没有不确定性。而是说：在进入高风险阶段之前，系统必须通过检索、测试、验证或人工审批，把不确定性降低到允许范围内。传统软件系统追求确定性。输入明确。规则明确