跨国深谈← 返回←AI 时代，工程师的判断力与品味如何修炼

AI 时代，工程师的判断力与品味如何修炼

关联

人物 Malika Rao

概念 智能体 · 判断力 · 品味 · 认知协调 · 案例教学法

这一集聊的是 AI 时代工程师的成长问题：当写代码这件事被 AI 大幅“白菜化”之后，初级工程师还怎么攒经验、资深(Staff / Staff Plus,指独立贡献者路线上的高级别工程师)工程师还怎么带人。主角 Malika Rao 是一位有大型科技公司工程管理经验的管理者，整集的核心判断是：实现正变得丰富，但判断力并没有——复杂性没有消失，只是在转移。

先问对问题：AI 怎么影响工程师？

Malika 开场就指出，行业一直在问“AI 如何影响软件工程师”，这是个错的问题，因为它默认所有级别受到的影响一样。正确的问题是：**对不同级别来说，复杂性正在向哪里转移？

**在她看来，Staff / Staff Plus 这一级正面临两难：他们要重新设计工作流程、辅导下一批工程师——但如今的初级工程师人人手里都有 AI,过去那种“跟着团队干几年、从处理 SEV3(严重度较低的事故)一路升到 SEV0、慢慢学会怎么建生产系统”的学徒制被打断了。实现变得廉价，判断力依然稀缺，于是 Staff 工程师背上大量认知负荷：怎么在没有多年经验的积累过程的情况下，把判断力“压缩”着教出来？

初级工程师的处境则完全不同：他们要在缺乏经验的前提下从零建立判断力。如果不想让工程师只在写代码上和 AI 竞争，而是成为好的协作者——能共情、能理解人、能回到第一性原理——那他们的挑战其实更根本。

判断力到底是什么

Malika 给的定义很朴素：做出更好决策的能力；在智能和信息都过剩的世界里，从模糊中逼出清晰的能力。几个具体特征：

• 判断力不是尽快得出答案，而是能同时容纳两种对立方案、认真辩各自的利弊，甚至享受这个权衡过程。
• 想二阶效应：这个决定的一阶影响之外，会驱动哪些指标？我们今天做的哪些假设，未来会失效？
• 预演未来：她见过最出色的 Staff 工程师，会在动手实现之前，把多种可能的未来一个接一个排练一遍。

没有学徒制，怎么补判断力

她的答案之一是改革教育：现在的课程堆满了数据结构、算法、操作系统这些第一性原理(这部分她认为不会也不该消失)，但缺案例教学。比如 AWS S3 在 2017 年的那次大故障，就是经典案例——把技术决策、组织决策、产品决策、当天的运行手册摊开来讲，一所大学挑七八个这样的案例，足够一个学期的功力。再配合思想实验，让人习惯在脑子里同时挂多个“如果-那么”、构建多重宇宙，练出对模糊性的从容——这正是她在很多初级工程师身上看到缺失的东西。

主持人也补充了一条实践路径：去读那些经历过全面宕机的公司的事故报告，那就是现成的案例库。

认知负荷不能压在一个人身上

一个反复出现的主题：应对认知超载不该是某位 Staff 工程师个人的责任，而应是组织集体定下持久的原则。她举了几个负荷转移的例子——会议纪要现在没人手写了，综合提炼、读出字里行间的潜台词成了新工作；代码生产量暴涨后，代码审查的负荷谁来扛、还需不需要做，都成了真问题。

她还讲了个意外发现：她本来在为团队争取专注时间、减少会议，结果一位独立贡献者(IC)反过来表示期待更多人与人协作的时间——当深度专注时间意味着和智能体高强度协作时，人的连接反而成了稀缺品。这直接推翻了她“会越多越糟”的旧框架：领导者要刻意创造对话空间，因为对话带来更好的决策、头脑风暴和心理安全，让人敢辩论利弊。

团队建设也在变：过去像踢足球不像打网球，现在“团队”的定义里多了智能体、更复杂的工具链，信任本身正在变成生产架构的一部分。她举了自己团队的例子：做评估系统时，几位技术负责人花一周和产品、设计、ML 研究各职能一起，先手工打磨出一份各方都认可的产品评估标准电子表格，作为“LLM 当裁判”之前的初稿——先靠人建立共同判断，再谈规模化。

团队形态：小而精 vs 大而专

对小团队(特遣队式、人人都是产品工程师)和大团队(每人当某个主题的技术负责人、端到端推进)两种思路，她的态度是：看阶段。新问题、新界面适合小团队——专家扎堆、高度信任、极端自主，适合实验和拿买单；但产品一旦被充分采纳，第一性原理就换成了可靠性、可解释性、可观测性、金丝雀发布、能否安全回滚、有没有多个 B 计划——这时必然需要更多协作，而协作可以发生在人与人、智能体与人、各职能之间。

她看到的职能边界正在模糊：产品经理在审代码，IC 在出设计想法。但什么进生产、如何干预，必须被高度监控——这只有把系统、基础设施、AI 平台建成平台化的基础能力才做得到。这要求 AI 时代的领导者能切换高度：既要有五万英尺的视野，又能立刻下到技术决策的一线，再把两头的综合拿回自己手里。

有人快有人慢，怎么办

主持人抛出一个观察：团队里有人用智能体用得飞快，有人跟不上——而跟不上的人往往就是智能体用得不够熟；某种意义上，你必须用智能体来对抗别人用智能体，否则就落后。Malika 的应对建议很实操：

• 把规划和执行拆开。与其一个大规划包办项目分解、项目管理、Jira、执行一条龙，不如按“规划 / 项目执行”分主题来组织——与其开十条并行工作流，不如想清楚主题。这本身就是二八收益的来源。
• 设立“本地带头人”：找那些更懂 AI、更懂工作流的工程师，去辅导其他还在用旧方式思考的人——在哪里移交、在哪里保住控制、在哪里用判断力干预、怎么把逻辑写进提示词。再把带头人上升为公司级，把各团队的经验标准化。
• 她也见到有的公司把整个软件开发生命周期做成蓝图：产品阶段有预定义技能，构建阶段有内部变体的规范框架——像一条“智能体工程的铺好的路”，但一切都是可选项，只要不冲出护栏。

深还是广？先问什么不会变

对“我该在智能体工作方式上钻多深、会不会荒废判断力和品味”这类问题，她的回答是回到第一性原理：未来五到十年软件工程里最值钱的是什么？有些事不会变——仍要做出好产品、仍要做复杂的取舍(范围、估算、先发哪几个功能)。

如果你追求的正是判断力、品味、微妙决策这些能力，那不必焦虑深广之争；该深就深，但要**刻意地问：这个深度在为什么服务？**比如深挖推荐系统、搜索的演变与“智能体搜索”、API 设计、AI 平台——深入是为了换来对生产系统、对问题的同理心，不是为了深而深。

品味与判断力的区别

主持人讲了件事：一位即将离职的资深工程师逐个评估谁能接自己的班，说到某个很强的人时给出一句——“这个人很棒，但就是缺品味。”那品味到底是什么？

Malika 的定义：在多个层次上思考的能力——从一层、三层、十层，一路扩到五十层；从不同角度看问题、形成观点，但表达时仍保持开放。她引吉卜林的《如果》：缓慢而刻意地形成观点，同时新数据来了也乐于改。

而判断力是反复正确地做决策的能力——信誉就是这么来的；她记忆里最好的 Staff 工程师，会在实现之前把多种未来连续排练。品味怎么练？

坐在设计评审里看人做决策——听人漂亮地说“我们可以这么做，但代价是这个，团队接受吗”，那就是品味和沟通的合体。她还特别强调：品味可以在职业之外建立——音乐、数学、古典文艺复兴绘画、古典文学里藏着大量人类判断与品味的模式；先为颜色喜欢一幅画，再看出技术细节，再动手创作才发现层层复杂——这个过程本身，就是她希望下一代工程师经历的品味养成。

本集带走

• 换问题：别问“AI 会不会取代工程师”，问“对我这个级别，复杂性正转向哪里”。
• 判断力的可教部分：二阶效应思维、预演多种未来、同时容纳对立方案辩利弊。
• 压缩学徒制的土办法：精读重大事故报告(如 AWS S3 故障)，把技术、组织、产品决策连着运行手册一起拆；课程里加案例法与思想实验。
• 组织动作：认知协调负荷要靠集体原则分摊；刻意创造对话空间；设“本地带头人”把智能体工作流经验标准化。
• 把规划和执行拆开，按主题而不是十条并行流推进，先拿二八收益。
• 深挖要有目的：选一个不会消失的领域(推荐、搜索、平台)深进去，问它是否在帮你建判断力和品味。
• 练品味：多坐设计评审，看人如何报出代价；也在职业之外看画、读经典。

实现正变得丰富，但判断力并非如此。
Implementation is becoming abundant, but judgment isn’t.
—— Malika Rao · [01:00]

我觉得应该问的正确问题是，对于不同的级别，复杂性正在向哪里转移？
I feel like the right question to ask is, where is the complexity shifting for different levels?
—— Malika Rao · [02:30]

因为我觉得如果人们在使用智能体，你某种程度上必须使用智能体来对抗其他使用智能体的人，否则你就会落后。
Because I feel like if people are using agents, you kind of have to use agents to combat other people from using agents because otherwise you stay behind.
—— 嘉宾 · [36:15]