AI正在淘汰“手工作坊式”的研发团队

一、AI编码：生产力神话还是混乱放大器？

AI编码助手正在成为程序员的标配，一个普遍的预期是：它能抹平工程师之间的技能鸿沟，让所有人都能“大力出奇迹”。但现实恰恰相反，AI不仅没有成为普惠的生产力工具，反而变成了一块精准的“试金石”，正在无情地筛选出两种截然不同的研发团队。

真正的分野，并非“用AI”与“不用AI”，而是两种截然不同的使用范式：

1. “聊天框式”的游击队：将AI当成一个随叫随到的问答机器人。打开聊天窗口，模糊地描述需求，复制代码，修修补补，测试似乎没问题就合并。这种方式看起来敏捷、高效，充满了“黑客精神”。

2. “工作流式”的正规军：将AI作为工程体系中的一个可插拔的“智能组件”。AI的介入点、输入和输出都被严格定义，并融入到已有的文档、规划、测试和知识沉淀流程中。

表面上，两者都能快速产出代码。但几个迭代周期后，差距便显现出来。“聊天框”模式的团队发现自己陷入了重复造轮子、反复修复同类bug的泥潭，而“工作流”模式的团队则实现了知识和效率的复利增长。

AI让代码的生产成本变得极其低廉，同时也让制造混乱的成本变得同样低廉。它正在加速淘汰那些“手工作坊式”的团队。

二、为什么“代码手感”在AI时代失灵了？

“手工作坊式”的研发，依赖少数核心成员的“代码手感”和“历史经验”。需求靠口头同步，架构靠个人默契，bug修复的宝贵经验沉淀在几个人的大脑或聊天记录里。这种模式在小团队的早期或许有效，但AI的出现，让其弊端暴露无遗。

当团队成员习惯于向AI“喂”一个模糊的需求时，会产生四种隐性债务：

• 虚构规划 (Fictional Planning)：AI根据它“想象”中的系统来规划代码，而非基于现实中复杂的历史包袱和技术约束。结果是代码看似完美，却与现有系统格格不入。
• 知识蒸发 (Knowledge Evaporation)：解决一个复杂问题的关键思路，留在了某个工程师与AI的对话缓存里。当新人接手或遇到类似问题时，一切又要从零开始探索。在中国互联网公司高流动的背景下，这种知识的流失是致命的。
• 表演式验证 (Verification Theater)：工程师跑了几个基本测试用例，就认为AI生成的代码通过了验证。但对于变更的核心逻辑、边界条件和潜在影响，却缺乏清晰的定义和可验证的标准。所谓的“测试”，更像是一种心理安慰。
• 伪交付物 (Implementation Buckets)：任务被拆解为“修改后端接口”、“调整前端组件”这类实现层面的碎片，而不是可独立交付、可验证的用户价值。这使得团队只见树木，不见森林。

这种工作流，感觉上很快，因为它将成本外部化了——推迟到了未来的调试、重构、和团队沟通中。这是一种虚假的效率。

三、系统性智能：让工作流本身学会学习

真正聪明的团队，并非追求让AI写出更多代码，而是致力于构建一个能自我学习的“系统性智能”。他们做的不是“AI辅助编码”，而是“AI增强的工程体系”。

一个具备工程纪律的AI工作流，看起来远没有那么“性感”，甚至有些“笨重”：

1. 从清晰的文档开始：任何开发任务都始于一份明确的产品需求文档（PRD），而不是一个模糊的想法。
2. 垂直切分任务：将PRD分解为多个可独立交付和验证的“用户故事”，而非按技术栈划分的“代码块”。
3. 规划先于编码：在写代码前，强制生成一份可供评审的实现计划。这份计划需要关联到已有的技术标准、架构原则和过往的解决方案。
4. 基于明确标准验证：根据预先定义好的验收标准（Acceptance Criteria）来验证代码，确保“完成”有一个客观的定义。
5. 强制知识回写：当代码合并后，工作并未结束。团队需要将解决方案中的关键设计、遇到的“坑”、以及可复用的模式，沉淀为可被检索的“知识片段”。

在这种模式下，AI不再是一个简单的代码生成器。它在规划阶段，可以被“喂”入相关的历史解决方案和技术标准，从而生成更贴合实际的计划；在编码阶段，它的行为被清晰的边界所约束；在完成后，其产出的价值通过知识回写，赋能给未来的每一个任务。

这才是真正的杠杆：让组织的工作流本身，而不是某个AI模型，具备学习和记忆的能力。

四、模型的进化，正在惩罚混乱

一个更有趣的现象是，当语言模型本身变得更强大、更“听话”时，混乱的团队反而会觉得AI“变笨了”。

例如，当Anthropic发布更强大的Claude Opus 4.7模型后，社区的反馈出现了明显分化。拥有严格工作流的团队报告称，新模型表现出色，指令遵循得更精确。而习惯于模糊指令的团队则抱怨，模型变得死板，不再能“心领神会”地补全他们没说清楚的需求。

这并非巧合。一个更精确的模型，会忠实地执行你给出的指令。如果你的指令是清晰、结构化的，结果自然会更好。如果你的指令是模糊、随意的，一个更强大的模型只会更精确地放大这种模糊和随意，产出“精确的垃圾”。

AI的发展趋势，正将压力从“写代码”转移到更高阶的能力上：

• 精确定义问题的能力
• 设计可验证方案的能力
• 沉淀和复用组织知识的能力

这预示着一个必然的趋势：AI不会让平庸的团队变伟大，只会让优秀的团队变得更无法超越。未来，研发团队的核心竞争力，不再是谁拥有最聪明的工程师或最新的AI工具，而是谁能打造一个更具纪律、能够持续学习和沉淀的工程体系。那些依然停留在“手工作坊”阶段的团队，无论是否拥抱AI，都将在新一轮的竞争中被无情淘汰。