最近看了斯坦福 Mihail Eric 和哈佛商学院 Rem Koning 的一个访谈，讲的是 AI 时代软件工程师的角色变迁，里面有几个观点挺反直觉的，分享给大家。
这个视频最核心的论点不是"AI 会不会取代程序员"------这个问题已经被说烂了------而是更具体地在问：顶级工程师的工作内容正在变成什么？ 说实话，他们给出的答案挺有意思：从"写代码"变成"管 Agent"。另外有一个观点我觉得值得重点关注，就是初级工程师在这轮转型里可能比资深工程师更有优势，理由是"没有包袱"。这个逻辑我基本认同，但也有些地方作者没想得特别透，后面深度思考里会说。
顶级开发者的工作正在变成什么
现在讨论 AI 写代码，很多人可能还停留在"Copilot 帮我补全"的阶段。但访谈里描述的场景已经进了一步：真正的 top 工程师在做的，是协调多个 Agent 并行处理不同任务，自己负责在它们之间切换上下文、检查进度、处理卡点。
听起来很像团队管理者。Mihail Eric 也明确用了这个类比------你是经理，Agent 是实习生，区别在于实习生出错的速度比人快得多，错误也会叠加放大。
所以"循序渐进"就变得很重要。不是一次性启动 10 个 Agent 让它们各跑各的，而是先把一个 Agent 调到稳定可信赖，确认它能独立完成一件事，再引入第二个。这个过程里，你需要随时知道每个 Agent 做到了哪里、卡在哪里，这就是所谓的"上下文切换（Context switching）"能力。
代码库要让 Agent 不懵
Agent 会快速放大错误，这不是 Agent 本身的问题，是基础环境的问题。一个对 Agent 友好的代码库，需要满足三点：
- 测试要充分。Agent 需要明确的"契约"才能知道什么叫对、什么叫错，测试覆盖率就是这个契约。
- 文档和代码要一致。Readme 写的是一套逻辑，实际代码跑的是另一套，人能靠经验推断，Agent 不行，它会照着文档走进坑里。
- 风格要统一。API 设计、代码规范、命名习惯，得有一套一以贯之的模式。Agent 在面对多种实现方式时会困惑，统一规范是减少它出错的最直接手段。
初级工程师的处境
现在找工作确实很难。疫情期间过度招聘、裁员，毕业生数量又在涨，加上企业开始用 AI 重新评估初级岗位的必要性，这几件事叠在一起，初级工程师的处境是访谈里说的"完美风暴"。
但访谈的核心论断是：初级工程师在适应 AI 工具这件事上，反而比资深工程师更快。
原因很简单：拥有20 年经验的工程师已经有了自己的习惯，已经有了自己的思维墙，很多人对 AI 工具的第一反应是抗拒，或者只在边缘场景用用，不敢真正依赖。新人没有这个包袱，他们会更自然地把 AI 当成工作流的一部分，试错的心理成本也更低。
访谈里用了一个词："Good naivety（良好的天真） "。不是真的什么都不懂，而是没被行业习惯固化，遇到复杂问题不会本能地绕开，敢于直接去啃。
计算机科学基础训练的价值在这里也很关键------能把一个复杂系统拆解成子问题，愿意钻进底层去找 bug 而不是绕过它，这种思维方式在 AI 时代不会贬值，因为 Agent 出错的时候，最终还是需要人来定位和修复。
功能性软件和卓越软件的差距从哪来
AI 可以快速生成一个能用的版本，这个已经不稀奇了。但访谈里提出了一个问题：为什么有些软件就是让人觉得好用、精致，有些就是凑合能跑？
答案是"品味（Taste）"。
这个品味不是天生的，是在不断实验和打磨里积累的。Anthropic 的团队自己就在用 Claude 重写 Claude 的代码，不停试错，看什么有效、什么没用。实验本身就是工作流，不是偶尔为之的事。
好软件和凑合软件的差距，往往在最后 20% 的功能里。能不能在基本跑通之后，继续投入精力去扩展边界场景、处理那些"理论上不常见但实际上很烦人"的情况------这才是真正拉开差距的地方。
商业层面的终局
Rem Koning 的观点更往前一步：未来核心能力叫"分配智能（Allocate intelligence）"。
他的意思是，AI 原生组织的关键不是让 AI 帮人减负，而是让 AI 直接面对客户，把人从循环里移出去。AI 处理前端服务，人处理异常和迭代。
更激进的预测是：当 AI Agent 开始相互沟通协作，而不仅仅是各自执行任务，商业价值的量级会跳一个档次。能搭出这种系统的公司，将会解锁完全不同规模的市场。
深度思考
"管理 Agent"的技能比"使用 Agent"难得多：会用 Cursor 或 Claude 写代码，和能协调多个 Agent 稳定完成复杂任务，是两件差距很大的事。前者现在门槛很低，后者还没几个人真正做到，这个空间值得认真对待。
代码库质量的重要性被低估了：引入 Agent 之前先把测试、文档、风格规范做好，这听起来是老生常谈，但在 Agent 场景下它的权重完全不一样------烂代码库让人类工程师慢，让 Agent 出错，两者不是一个数量级。
"Good naivety"有时效性：初级工程师的无包袱优势，在全力拥抱 AI 工具的头两年最明显。等行业形成新的最佳实践之后，这个优势就会收窄，转化为另一种形式的经验积累。所以这个窗口期要利用好，不是等待，是主动实验。
Taste 是可以刻意训练的：访谈里说"品味"，但没说怎么建立。我的判断是：大量使用 + 大量比较。用过很多烂工具之后你才知道好工具好在哪，做过很多凑合的版本之后才知道精致意味着什么。这个不能跳过，要靠量。