AI 没有抢走工作，它把每个人都推到了一个更上游的位置。

大家好，我是十三！欢迎来到十三Tech。

最近有种奇妙的感觉：我越来越像一个技术产品经理。我的团队成员很特殊——Gemini、Claude、Cursor、通义灵码。我每天的工作就是给他们提需求、审代码，精力更多放在「做什么」和「为什么做」上。把大部分编码工作外包给 AI 之后，发生了一件比效率提升更重要的事。

角色上游化：把「实现」交给 AI

我的新团队：快，但没有「品味」

得承认，这群 AI 实习生效率很高。

上周我想把自己的博客做成独立服务。搁以前，从设计 API、建表、写业务逻辑到部署，没一两周下不来。现在的工作流变成这样：

  1. 我：花半小时写一份清晰的 Markdown 文档，定义好 API 接口、数据库表结构和核心转换逻辑。
  2. AI：Cursor 读文档，几分钟生成符合 go-zero 规范的项目骨架、gRPC 定义和基础 CRUD。
  3. 我：提需求——「为这个接口写单元测试，覆盖正常和异常场景。」
  4. AI：补上对应测试用例。

核心功能的实现从「天」缩短到「小时」。

但冷静下来看，这群 AI 实习生有个明显短板：他们快，但没有「品味」。生成的代码能跑，却常常带着坏味道：

  • 变量名是 data、res、result 这种万金油。
  • 错误处理就是 if err != nil { return err }，缺上下文，调试不友好。
  • 逻辑直来直去，不懂得适当封装和抽象。
  • 不同对话生成的代码风格不一致。

就像这段 AI 生成的代码：

// AI generated this, it works, so don't touch it. For now.
func GetPostBySlug(slug string) (*Post, error) {
    // ... 一堆查库逻辑 ...
    var post Post
    return &post, nil
}

能用吗？能用。优雅吗？离「作品」还差得远。

AI 有速度，但品味得你来给

他们是出色的实现者，但没法替代那个定义问题、把控质量、拥有技术品味的人。

新角色：从「实现者」到「决策者」

于是角色变了。我不再是埋头砌砖的人，而成了审图纸、定方案、最后拍板的那个人。核心工作从写代码（How），转向三个更上游的环节：

1. 定义问题（What）

起点不再是一份清晰的需求文档，而是主动去发现、分析，并用 AI 能理解的语言清晰定义一个技术问题。我不再关心 for 循环怎么写，而是关心：为什么要在这里写循环？它解决的核心问题是什么？有没有更优雅的替代方案？

2. 架构决策（Why）

核心不再是实现某个模块，而是决策整个系统的蓝图。AI 可以告诉你缓存能用 Redis 也能用本地缓存，但它没法告诉你：

  • 这个业务场景下，数据一致性和性能哪个更重要？
  • 考虑未来流量增长，缓存策略怎么设计才能避免雪崩？
  • 这个技术选型，撑不撑得起未来三年的业务？

这些充满权衡（Trade-offs）的决策，才是资深工程师真正的价值。

3. 结果验收（Quality）

终点不再是「代码能跑」，而是对 AI 生成物的质量负总责。我花在 Code Review 上的时间甚至超过了写代码本身——像个代码洁癖，去审每一行代码：变量名能不能更清晰？错误处理能不能给更多上下文？这段逻辑能不能抽象成独立函数？

怎么当好这个「AI 产品经理」

角色变了，能力模型也得跟着升级。领导这支 AI 团队，三项能力最关键：

1. 写「PRD」→ 精通 Prompt Engineering

给 AI 提需求，就像给产品经理写需求文档。写得越清晰、越具体，产出质量越高。

以前可能会说：

写个函数，把文件上传到 OSS。

现在会说：

写一个 Go 函数 UploadFileToOSS，接收 bucketName、objectKey、fileContent []byte 三个参数，用 aliyun-oss-go-sdk。错误处理用 fmt.Errorf 包装关键信息；网络抖动时加指数退避重试，最多 3 次；成功后返回文件在 OSS 的 URL。

后者才是一个合格的技术需求，AI 才能准确执行。

2. 培养「技术审美」→ 锤炼 Code Review

AI 会放大我们的能力，也会放大我们的缺陷。如果自己对「好代码」没概念，就判断不了 AI 生成物的好坏，最后只会产出一堆能跑的代码。把 AI 省下的时间，拿去读优秀开源项目的源码（比如 go-zero）、学设计模式、想代码背后的架构哲学——你的技术审美越高，AI 团队的产出就越好。

3. 画「产品路线图」→ 建立系统思维

跳出单个功能点，从整体视角规划 AI 团队要构建什么。我花在 README 和设计文档上的时间越来越多——动工前先有清晰的 Roadmap 和 Checklist。谋定而后动，这是领导 AI 团队高效工作的前提。

写在最后

把大部分编码工作外包给 AI 后，最大的感悟是：

  • 效率：核心功能实现从天缩短到小时。
  • 短板：AI 快但没技术品味，命名、错误处理、抽象都要人来把关。
  • 转型：从实现者到决策者，核心价值转向问题定义、架构设计和质量把控。
  • 护城河：技术品味、系统思维和决策能力，才是不可替代的部分。

AI 没有抢走工作，它把每个人都推到了更上游的位置。焦虑没用，接住这个新角色、带好你的 AI 团队，才是该做的事。

关于十三 Tech

资深服务端研发工程师，AI 编程实践者。专注分享真实的技术实践经验，相信 AI 是程序员的最佳搭档。