读到这里容易产生一个错觉：既然行为在使用时才定型、测试变成概率、bug 可以谈判，那「软件工程」这门讲究确定性的手艺是不是过时了？
恰恰相反。一个 AI 系统想在生产环境里站住，需要的工程比传统系统更多，只是这些工程的位置搬了——从「行为本身」搬到了「行为周围」。这一章盘点新的承重墙。它们有一个共同的名字：把软的核包起来的硬壳。
四面新承重墙
第一面墙：数据管道。模型再聪明，不知道你公司的退货政策也没用。于是大量工程投在「把对的资料在对的时刻喂给模型」上：检索公司内部文档、整理知识库、清洗数据。行业里叫检索增强生成（RAG）——大白话说，就是模型答题前先帮它翻好小抄，让它基于你的资料而不是凭印象回答。这门手艺的难点不在模型，全在那些又脏又乱的企业数据上——是地地道道的传统硬工程。
第二面墙：护栏。护栏，大白话说，是包在软核外面的一层硬规则：输入进来先过滤一遍（拦截注入、挡掉违规内容），输出出去再检查一遍（金额超阈值就拦下、格式不对就重试）。第七章的教训在这里落地：软的行为会犯错，所以关键的边界必须用硬的 if-else 把守。注意这和第四章的分层呼应：AI 系统的外圈，恰恰是最传统的软件。
第三面墙：评估体系。第五章讲过评估集，这里补它的工程属性：评估集要版本管理、要随真实流量更新、要在每次提示词改动后自动重跑——它就是 AI 时代的持续集成。一个团队对质量的掌控力，几乎等于它评估体系的厚度。
第四面墙：反馈回路。线上每一次用户的采纳、修改、投诉，都要被收集、归类、回流成评估集的新用例和提示词的新约束。传统软件的上线是终点（之后只剩维护），AI 系统的上线是回路的起点——系统是持续被使用的数据塑造的，谁建好了这条回流管道，谁的系统就越用越聪明；没建的，上线那天就是它最聪明的一天。
大白话：传统的楼，承重墙就是楼本身；AI 这栋楼，中间住着一个会自己动的「软核」，承重墙砌在四周——喂料的管道、把门的护栏、体检的评估、回流的反馈。楼没有变轻，是重量搬了家。
一个守恒定律
把这四章（五、六、七、八）合起来看，会浮出一个近乎物理的规律：系统的总复杂度不会消失，只会转移。
AI 把「行为逻辑」的复杂度接走了——你不用再写几千个 if-else 去覆盖长尾。但它没有消灭复杂度，而是把它赶到了别处：赶到了数据的治理里、护栏的设计里、评估的厚度里、回路的运转里。一个「AI 功能很简单」的演示和一个「能扛住真实流量」的 AI 系统之间，隔着的正是这四面墙——这也是为什么 demo 遍地都是，好用的 AI 产品仍然稀少。
所以「软件正在变软」的完整版本是：核变软了，壳必须更硬，而壳仍然是纯粹的软件工程。变软没有减少工程师的工作，它改变了工程师工作的位置——从命令机器做什么，变成约束一个会自己动的系统不做什么、依据什么做、做错了怎么办。
给传统工程师的一句宽心话
如果你是一名传统工程师，这一章是写给你的：你的手艺没有贬值，反而在关键的边界上变得更不可替代。数据管道、护栏、评估、回路——这些恰恰是「严谨、负责、把边界情况想在前面」这些老美德的新战场。变的只是你守护的对象：从一段确定的行为，变成一个确定地运转着的、管理不确定性的结构。
技术层面的搬家讲完了。但软件是组织写出来的——墙搬了，砌墙的人的站位也得跟着动。下一章，看组织。