如果 agents 已经能写 99% 的代码，那该怎么招工程师 ？这就是今天讨论的话题，实际上大家普遍不觉得 AI 时代就不需要人了，AI 只是开始接管写代码这个事情，但是代码也只是软件工程的其中一环，就目前 AI 的发展趋势上，人还是需要的，只是人的角色在发生变化 。
这也是 Augment Code 公司的观点：当 Agent 已经能承担大量执行的工作后，工程师的核心竞争力，就需要从「把代码写出来」转向「决定该做什么、怎么做、如何保证结果可靠」，也就是 AI-native 工程师 ，不再纠结于前端后端，不在区分 Android 还是 iOS ，React 还是 Vue，Go 还是 Elixir ，更多关注的是：
产品理解能力、架构判断、协调沟通和 Agent 推进的能力。
对于这个变化，Augment Code 也归纳出一个对比：
- 传统工程是写代码、实现方案、解决问题、强调个人产出
- AI-native 工程里更多是定义意图、编排 agents、选择正确的方向、强调系统级结果
也就是 人的角色正在从 author 转向 architect 和 editor 。
而这次最有意思的是，Augment Code 给出了他们招聘 AI-native 工程师的几个核心评价标准。
Product & Outcome Taste
首先是，你是不是在做正确的东西？，他们认为，代码生产后面越来越便宜，最贵的错误反而是"方向错了"，所以工程师要更会理解用户问题、消解模糊需求、可以做到在实现之前先定义结果。
这相当于把优秀工程师的上限，从「执行得漂亮」改成「问题选得对」。
System & Architectural Judgment
其次就是这个东西能不能活过生产环境？
Augment Code 觉得，agent 很擅长写出「能跑的代码」，但不擅长判断项目长期是否健康、架构是否能承受规模、运维风险会不会在后面爆掉等。
这个也是未来 AI-native 工程师的核心能力，因为很多线上系统的问题，从来不是「写不出来」，而是有许多边缘情况需要标注出来，例如：
- 隐性耦合
- 性能退化
- 迁移风险
- 可观测性不足
- 局部正确但全局失配
而 agent 经常会产出 "locally correct code that's globally incoherent" ，也就是局部看起来是可以的，但是放到整体就不协调了。
Agent Leverage
这个范畴问的是你能不能把 AI 真正转化成工程吞吐？不是"会不会用 AI"，而是：
- 能不能把问题拆成 agent 能做的形式
- agent 跑偏时能不能及时纠正
- 产出后能不能高效验证
这个角色里，你像带一个「干活非常快、但有时会自信地犯错 」的下属，AI 场景下工程师之间的差距不是「谁会用 Claude / Codex / Cursor」，而是谁能让同样的模型、同样的工具，稳定地产生更高质量结果。
Communication & Collaboration
这也是很重要的一环，因为 AI 都接管执行了，那人的在物理世界的最大作用就是沟通，你能不能把意图说清楚，同时让不同角色快速形成共识？
因为实现速度快了，所以项目瓶颈会前移到问题定义、tradeoff 澄清、跨职能对齐等场景，Augment Code 觉得：最快的团队不是代码写得最快，而是最快达成清晰共识的团队。
Ownership & Leadership
然后就是责任，AI 不会背锅，而人才是背锅主体，所以这里的问题就是你是不是对结果负责，而不是只对任务负责 ？，过去优秀的工程师也不是只完成自己的代码，而是会主动处理未来可能存在的阻碍，例如：构建速度慢、流程模糊、系统间断裂等情况。
这本质上是在强调：agent 时代不缺「做任务的人」，缺的是「把整个链路打通的人」。
Learning Velocity & Experimental Mindset
最后就是你的进化速度能不能跟上工具变化速度？
Augment Code 认为，今天的工具三个月后可能就过时了，所以最重要的是高频实验、快速调整工作流、愿意放弃旧的工作方式。
当然，这会是一个很累的工作模式。
可以看到，所以维度里 Augment Code 都很少提到代码能力，至少写代码能力不是一个单独维度，因为它已经不是首要区分项，因为它认为，代码能力正在从"筛人主轴"退化成"基础设施能力"。
所以具体到场景上，Augment Code 在会在面试里问类似问题：
- 候选人能不能快速澄清一个模糊问题
- 能不能提前识别架构风险
- 能不能有效引导并验证 AI 产出的工作
然后他们把候选人划成四类画像：
- AI-Native Systems Engineer：偏基础设施、架构、系统稳定性
- AI-Native Product Engineer：偏产品品味、用户理解、结果导向
- AI-Native Applied AI Engineer：偏模型理解、agent 能力和工作流增强
- AI-Native Early Professional：偏学习速度和 agent-first 的成长方式
从这个分类可以看出来，Augment Code 也不是追求找到一个"万能 AI 工程师"，而是在找围绕 AI-native 组织重新分工。
最后总结来说，核心观点就是：写代码这个执行成本已经越来越轻了，什么框架什么语言都不是重点，重点是人的架构思想，产品理念和管理协调能力，遇到深度问题或者难点，有没有办法指定 Agent 走出困境，这是他们认为未来新时代的能力。
最近的字节武汉和得物相关的消息，也在表现出前后端融合的情况，所以也许未来的开发，真的就是 AI-native 。
当然，就目前看 Github 已经被很多 Vibe Coding 的 AI 项目充满，而这些项目普遍 README 写的很好，但是存在不少效果难评，这对于 AI 来说也是很大的污染。
所以这对于人来说，也是价值所在，你的决策能力就是你的价值体现。