上周我一个人把N个需求从前端写到后端，AI CR + 自己完成必要的测试，配好 CI/CD，上线观察，出问题自动回滚 + 重新修复发布。放在几年前的大厂，这个工作量大概需要四个人两周的时间。 自从AI coding出现之后，企业对于程序员的能力需求模型明显变了。 1️⃣ 端到端的交付能力 以前公司买的是你的部分领域能力(前端、后端、测试)，现在买的是你的结果。 之前程序员的分工很细，前端、后端、测试、运维各守一环。现在一个人完全能把整个开发流程闭环起来：后端顺手把前端写了，测试自己 cover 掉大部分，部署运维也自己进行，针对这个仓库和功能搭一套最合适的 CI/CD。 因为没有沟通摩擦和对齐成本，一个人做完通常比几个人每人做一块要来的快得多，出问题时的改动速度也快得多。 公司为此付的是 token 成本，token maximizer 那套排行榜现在大家有点反感，但不可否认的是，一个人的 token 消耗量和他的产出，确实是正相关的，我身边一天能用到10亿token的人依旧是少数，大部分人还是亿级别。 现在程序员得对整件事的结果负责，做完自己领域那一环就交差的时代过去了。 2️⃣ 验收能力 生成代码基本免费之后，瓶颈整个后移到了验证这一侧。 我最忙的时候同时开过 10 个 coding agent，表面上吞吐拉满、效率很高，但一个多小时后大脑就会被直接烧干。因为人脑本身的吞吐量对比 AI 来说真的太低了，卡住我的不是生成端，是我脑子里的 review queue，每个 agent 返回结果，我都要重建它的意图、检查实现、判断风险、决定下一步。 现在使用 AI 最重要的就是要学会验收，会写验收标准，测试怎么写、边界在哪、什么状态算做完、什么时候合入、CICD怎么配、配什么样的线上权限等等。AI 能替你写代码，替不了你定义什么叫做对了。 3️⃣ 判断和经验 写代码成本趋近于零有个副作用，那就是一旦方向错了，做错东西的速度也快了 10 倍。以前方向选错，损失是几周工时；现在 AI 一天就能帮你把错的东西做完、做精，等你回过神来，已经在错的路上跑出去很远了。 所以之前做过类似业务是个非常巨大的优势，它让你在项目还没开始之前，就能在业务和技术上做判断，直接砍掉错误方向，省下来的时间和 token 相当可观。 架构经验尤其值钱，AI 能照着你定的结构把每一块都实现得很漂亮，但要不要拆微服务、模块边界划在哪、状态放前端还是后端、哪个方案现在写着爽、三个月后会变成还不完的债，AI 给不了你笃定的答案。 业务判断也一样，哪些需求是伪需求、哪个功能上线根本没人用、哪里得提前留扩展点，一个有对应业务经验的工程师，才能在开工前就把这些坑都挖出来。 这些经验 AI 暂时替代不了，AI能把执行加速到极致，但选方向、划边界、判断，还得靠人的经验。