今天刷到这篇文章几次,说点不一样的。与其说 AI First,不如说软件工程 First。
这篇文章看着在讲 AI,底下全是软件工程。
抛开后面讲组织和人的部分,原文前半段的重点简单总结一下:
AI 时代,人成了瓶颈。PM 花几周做需求,AI 两小时就能实现,PM 成了瓶颈。QA 测三天,AI 写代码只要两小时,QA 成了瓶颈。团队 25 个人,对手几百人,人力也是瓶颈。
怎么办?把人从链条里拿掉。AI 写代码、AI 审查代码、AI 跑测试、AI 部署上线、AI 监控线上状态,出了问题自动回滚。每天定时扫描日志,自动发现问题、分配任务、跟踪修复。整条流水线跑起来,人只需要在关键节点做判断。
至于文中提到的统一代码库,锦上添花,和 AI First 关系不大。有当然更好,没有也有很多替代方案。
整套方案听下来,逻辑自洽,效果也漂亮:一天部署好几次,功能当天上当天撤,数据说了算。
但先别急着照搬,先对照自己的情况想几件事:
第一,自动化测试。AI 改完代码,你得有办法确认它没搞崩别的功能。测试覆盖不够的话,每次 AI 提交代码你都得人工回归一遍,那速度根本快不起来。
第二,CI/CD 流程。从提交代码到部署上线,中间的测试、审查、发布、回滚,是不是全自动跑通了?这条流水线不通,AI 写得再快,代码也堆在那儿等人手动处理。
第三,A/B 测试和线上监控。新功能上线之后效果好不好,得有数据说话,效果不好得能随时关掉。没有这套机制,AI 一天产出五个功能,你都不知道哪个该留哪个该砍。
第四,任务管理。任务得拆到合适的粒度,生命周期得跟踪得住。一个大而模糊的任务丢给 AI,现在的能力还啃不动。多个 Agent 同时干活的时候,谁做哪个、哪个优先、做到什么程度,这些都得有地方管。
第五,系统架构。架构太乱或者压根没有架构的代码,AI 维护起来跟人一样头疼。上下文塞满了还是搞不清边界在哪,改一处崩三处。
这几条里如果有做不到的,就得靠人去补。补不上,AI First 就只是一句口号。
但假设你全做到了,就能 AI First 了?
还是不行。这套玩法只适合一部分场景。
什么场景适合?后端逻辑为主、界面不复杂的产品,比如 API 服务、数据处理平台、内部工具。功能好不好,跑一下数据就知道,不需要人去盯着每个像素。原文里的就是个 Agent 平台,本质上是后端驱动的产品,可以用这套打法。
再比如早期产品快速试错,功能上了不行就撤,用户预期本来就没那么高,AI 的速度优势能充分发挥。
但很多场景玩不转。
比如 UI 密集的产品。自媒体天天喊前端已死,但你让 AI 做个复杂界面试试,各种易用性问题、交互细节、视觉还原,它搞不定的。否则马斯克靠 AI 早就改了不知道改版 X 多少次了。
比如对功能质量敏感的产品。Anthropic 和 OpenAI 不知道 AI First 吗?他们敢在 Claude Code 和 Codex 上这么搞吗?让 AI 全自动迭代自家的核心产品,用户不骂死才怪。
再比如安全性要求高的场景,银行系统、在线交易平台,AI 代码出个差错,那可不是回滚能解决的。
AI First 的方向没有错,它代表的是一种意识的转变:每做一个决策的时候,想一想这件事能不能让 AI 来做,如果不能,缺什么条件,怎么把条件补上。
但这种意识要落地,靠的不仅是买几个 AI 工具的订阅,还需要把基础搭好。测试、CI/CD、监控、架构、任务管理,这些做扎实了,AI 的能力自然能释放出来。做不好,加再多 AI 也是在沙子上盖楼。
从这个角度看,AI First 的终点未必是让 AI 干所有的活,而是借着这股力量,把你一直想做但没动力做的工程改进,真正推动起来。
仰望星空是好的,但也还要脚踏实地。
Karpathy 做了个知识管理工具,很精致。类似的产品遍地都是。但这件事本身就是一个时代的隐喻:最聪明的人还在优化收集,而收集这件事已经毫无意义了。
说穿了,所谓个人 AI 知识库,就是这个时代的收藏夹。从 Evernote 到 Notion 到 Obsidian,换了三代皮囊,干的是同一件事——把别人的东西搬到自己的抽屉里,然后再也不打开。现在加上一层向量搜索和知识图谱,本质没变,只是抽屉更高级了。你收藏一万篇文章,不如 ChatGPT 现场给你讲一遍。
AI 已经是人类有史以来最强的公共知识检索引擎。还在整理公共知识的人,是在和推土机比挖坑。
什么东西 AI 搜不到?你操盘的项目烧了八百万最后烂尾,复盘时才发现不是方向错了,是第三个月该砍没砍。你带过的团队,骨干离职后才意识到自己把信任当成了管理。你谈崩的那次融资,不是因为数据不好看,是因为你在关键问题上犹豫了三秒,对面就读出了你自己都不信。还有那些所有人都说不行、你顶着压力做成了的决定——事后看,关键不是你比别人聪明,是你在那个具体时刻看到了别人没看到的东西。这些成败都没有出现在任何商业书籍、任何知乎高赞、任何 MBA 案例里,因为它们带着你独有的上下文,长在你身上。
这才是唯一值得系统化的东西:被现实反复锤炼后结晶出来的判断力。
而 AI 的讽刺恰好在这里。它不是均衡器,是照妖镜。有判断力的人用 AI,杠杆率翻倍,因为他们知道什么该要、什么该扔。没判断力的人用 AI,灾难加速——AI 给了你五个方案,每个都说得头头是道,你选不出来,或者选了最顺耳的那个。以前决策慢,好歹有时间撞墙后回头;现在 AI 帮你把油门焊死,撞墙的速度快了十倍。
有人说 AI 会让每个人都成为专家。错。AI 让每个人都能输出专家的格式,但格式从来不是专业最难的部分。最难的部分是知道什么时候该说不。
AI 把执行成本压到了接近零,但判断成本一分没降。而大多数人一辈子都在逃避的,恰恰是判断。
别再整理知识库了。把你最痛的失败和最反共识的成功写下来,写清楚当时怎么想的、为什么对了或错了、如果重来会怎么做。这十条的价值,超过你收藏的一万篇文章。知识不稀缺了,你的经历才稀缺。