导读：前阿里P10毕玄的一段话打开了新时代的大门，未来或将无所谓前端后端，技术岗位职责也会更广泛，AI Native 团队才能 在 AI 时代走得更远。

刚刚在群里有人转发了前阿里 P10 毕玄一张飞书上的截图。

这位兄弟现在创业，他在截图里如此说道：

“公司决定以后不再按技术栈划分技术岗位，所有工程师统一称为 Agent 工程师。任务分配也不再基于你是前端、后端还是算法，而是基于产品目标和项目结果。”

看到此消息，有的开发小伙伴非常震惊。有创业的团队或公司也准备这么做。有人判断，毕玄说的这种协同方式会成为新常态。大厂可能还不会这么激进，像小创业公司应该尽早切到这种模式上。

在没有 AI 的时代，软件开发的瓶颈主要在人的技术熟练度。

不同技术栈的学习曲线差异很大。前端要懂浏览器机制、交互和渲染。后端要懂数据库、并发、接口设计。每一块、每一门语言都很深，一个人的精力有限，不可能全都精通。

因此分出来前端、后端、运维，包括 Java、Go、Python、Android、iOS，这些都是泾渭分明的工种。

当技能是稀缺资源时，最有效率的组织方式就是专业分工。让一个人长期深耕某一个技术栈，这样可以形成知识沉淀和效率优势。公司也能通过分工降低培养成本，明确责任边界。

这背后其实是工业时代的管理逻辑。像流水线一样，把复杂任务拆成模块，每个人负责一段。模块清晰，接口清晰，风险可控。

这套模式运转了很多年，似乎没什么问题，但AI Coding的发展已经到了一个临界点——技术栈的边界正在被逐步打破。

现在有了 AI Coding，一个前端工程师想写后端接口，不需要先花三个月系统学习。他只需要知道我要实现什么功能，然后让 AI 来写，自己 Review、调试、迭代。

这样，学习成本被大幅压缩了。

以前需要先学会某个技术栈再干活，现在可以不了解细节，不了解语法，直接让 AI 生成。这一点也不夸张，用过 Claude Code 或者 Cursor 的小伙伴都知道。

琢磨下，之前我们学编程语言，很多时候就是在学语法，记语法细节。学框架，也是在学习框架的规则。现在，这些可以省略。作为工程师，我们更重要的是理解他们是怎么回事，理解逻辑即可。

以前一个需求下来，产品经理要拆任务，分给前端、后端、运维，然后各方排期、对接口、联调、互相等。中间但凡有一个环节卡住，整个链条都要等待。

现在如果一个人能从头到尾把事情做完，协调环节直接省掉了。不用开会对齐，不用等别人，不用反复沟通你那边好了没。

还有信息损耗的问题。需求从产品到前端到后端，每传递一次就损耗一次。前端理解的和后端理解的可能不一样，最后拼起来发现对不上，又要返工。一个人端到端负责，脑子里的上下文是完整的，不需要反复同步。

本质上就是：分工是有成本的，只不过以前这个成本比"让一个人学会所有技术"的成本低，所以分工划算。现在 AI 把学习成本打下来了，分工的成本反而显得高了。

毕玄用的是 Agent 工程师，而不是用全栈工程师。这个命名很有意思。

全栈工程师的定义：你要精通所有技术栈。但 Agent 工程师不是这个意思。它的核心是：我们不需要精通所有技术，而是要会通过 AI 来完成任务。

AI 负责具体执行，工程师负责指挥和判断。本质上，工程师的角色正在从执行者变成指挥者。

Anthropic 内部的实践是一个很好的例子。据他们的 CEO Dario Amodei 所说，Anthropic 内部已经有 90%的代码是由 Claude 自动编写的，人类的角色更像是编辑或监督者。

他还举了一个具体的例子：当他们最近发布一个模型时，集群出现了一个 bug，工程师们找了好几天都排查不出原因。后来让 Claude 去排查，它竟然发现了一个所有人都漏掉的隐藏问题。

这已经不是 AI 按指令做事，而是 AI 能自己判断、执行、修复，完成整个闭环。

一年前，我们连想都不敢想，但这就是正在发生的事，接下来研发任务的分配逻辑接下来将会发生改变。

作为工程师，我们千万别再守着自己的一亩三分地，然后说我是前端，后端的事我碰不了。

我们是程序员、工程师，而工程师是来创造的，是用来构建一些东西的。没必要再纠结于什么工种，而是要盯着问题，盯着我们想解决什么事。要用目标驱动，而不是技能驱动。

可以预见的是，未来几年公司对工程师的能力要求也会变。从语言熟练度、框架熟练度、工程经验，变成问题抽象能力、判断力与AI 调度能力。

行业对人才的要求，正在从单点深耕转向 T 型或者 π 型结构。T 型是指至少拥有一项专长，同时具备多端能力；π型则是多项专长与多领域经验的结合。

2026 年才刚开始，马斯克就发 X 说，今年可能是近几个世纪以来最重要的一年。

针对于现在的情况，也有一些反对或厘清的声音：

@宝玉 提到Joe Mag是亚马逊的一位工程师，他曾经这样说：他所在的一个资深工程师团队，过去三个月里借助 Coding Agent，代码产出效率是普通高效团队的 10 倍。  但作者也没说人类程序员要被替代。他用亲身经历说：当你的速度提升 10 倍时，你面临的风险和瓶颈，可能也放大了 10 倍。  

 2. 给 AI 下指令；

 4. 反复迭代，直到对质量完全满意；

 5. 最终提交PR，并为这些代码负全责。

这里面人的作用是最重要的，并没有闲下来，只是把工作重心从手写代码转移到了“提要求”与“代码审查”上。

如果说 AI 编程就像汽车引擎一样，可以越来越快，但是软件项目交付速度并不会跟着一起变快，因为汽车跑得快，光引擎快还不够，还要考虑路况、司机的能力。

作者也用了一个类似的比喻： 

当你在赛道上以 200 迈的速度狂飙时，你需要巨大的“下压力”来把车死死按在地面上，否则你会在第一个弯道就飞出去。

在软件工程里，“飞出去”指的就是 Bug 和系统崩溃。编码的速度上去了，相应的 Bug 出现的概率和系统奔溃的概率也会跟着上升： 

 - 过去：一个团队可能一年才会遇到一两次严重的生产环境 Bug。

 - 现在：当你以 10 倍的速度提交代码时，哪怕 Bug 出现的 概率 不变，你遇到 Bug 的 绝对数量 也会翻 10 倍。

以前一年一次的事故，现在可能每周都来一次。 

这种“事故率”是任何团队都难以承受的。而很多吹捧 Vibe Coding 的人有意无意都忽略了这些问题。

要享受 AI 带来的 10 倍编码速度提升，相应的你也必须要想办法把“出问题的概率”降低 10 倍，甚至更多。

作者也给了一些具体建议：

1. 借助 AI 降低本级搭建开发测试环境的成本，做好“风洞测试” 

提高代码质量最好的办法就是加强测试。

作者一直很推崇一种“风洞测试”的思路。就像造飞机一样，在真正上天前，会把模型放进风洞里吹。

在软件里，这就是指在本地搭建一个“高仿真模拟环境”。比如，你的系统依赖了 10 个外部服务（数据库、认证、支付等），你就把这 10 个服务全本地运行或者模拟出来。然后，在你的电脑上就能完整地跑一遍端到端的测试，甚至可以模拟各种极端失败情况。  这种测试能抓出大量在“组件”之间缝隙中隐藏的 Bug。 

以前为啥不做？太贵了！模拟和维护这些服务的工作量太大，大多数团队都放弃了。

现在为什么能做了？AI 擅长干这个！ AI 智能体非常擅长写这种逻辑清晰、行为明确的模拟服务。作者团队在 AI 的帮助下，只花了几天时间，就为他们那个相当复杂的系统搭建起了一套完整的本地“风洞”。

过去要几周甚至几个月的活，现在几天搞定。

 2. 做好持续集成部署（CI/CD）

早些年瀑布开发的时候，模块划分好后，都是各自开发，开发后再集成，集成时会很多问题，要花很长时间才能稳定下来。

后来持续集成开始流行： > 越早集成越早可以得到反馈，越频繁集成越是可以减少问题复杂度。

到现在 CI/CD 已经是公认的软件工程最佳实践，但真正做好的团队也不算太多，原因同样也是搭建和维护这样一套流程成本不低。另外还有一个问题就是很多团队虽然做了 CI/CD，但是流程耗时巨长，一个 PR 等所有各种测试、发布跑一遍，少则十分钟，多则上个小时。

以前没有 AI 的时候，这些问题还不明显，现在 AI 能力强了反而成了障碍。特别像汽车引擎速度上来了，还是跑在土坑路上。

所以 CI/CD 也需要跟着一起升级，把反馈循环从“小时级”压缩到“分钟级”。 你需要一套快到夸张的基础设施，能在几分钟内发现、隔离并回滚有问题的改动，让其他没有问题的改动继续前进。 

3. 决策和沟通系统也要升级

10 倍的代码产出，意味着也要 10 倍以上的沟通和决策效率。 

以前开发个系统，需要各种开会，讨论很久，最后才开工干活，毕竟要依赖其他人的模块，要先定义好协议，否则后面都没法集成。

另外各种技术决策也要反复讨论很久，毕竟那时候开发成本高，如果决策错了返工代价太大。

而现在如果还是以前的沟通效率，会极大的拉低整体效率，也许最高效的是尽可能的减少沟通，每个人做的事情尽可能不依赖于其他人。包括我以前提到过的微服务方案，也许在 AI 时代是个不错的选择。

对技术决策来说，现在反倒是可以有更多机会试错了，不必像以前一样过于严谨的去反复论证技术决策。

AI 带来的 10 倍编码速度，它更像是一个给汽车升级了一个全新的“引擎”。如果你只是把它装在原来的“老爷车”上，你得到的不会是 10 倍的速度，而是 10 倍的问题。 

AI Coding 的真正价值，不仅仅是写得快，更是它让那些过去“好是好，但太贵”的最佳软件工程实践（比如CI/CD、自动化测试）变得便宜可行了。

就像你不仅仅是升级汽车的引擎，还把汽车经常跑的马路一起升级一下，以前的老司机不是让 AI 替代，而是让他们能适应新的高速引擎，给他们舒服和安全的驾驶环境。

作者：场长

参考：

AI产品阿颖

https://blog.joemag.dev/2025/10/the-new-calculus-of-ai-based-coding.html

https://baoyu.io/translations/the-new-calculus-of-ai-based-coding.html