破而后立：构建AI 时代的研发新范式
过去几十年，软件行业形成了一整套稳定的研发范式：专家型工程师、分工明确的流程、以过程和规范保障质量、以人力规模换取产出确定性。 这套体系在过去是正确的，也曾极大推动了软件产业的发展。但问题在于，这套范式成立的前提正在系统性失效。如果继续沿用过去几十年形成的研发范式：无论是人才画像、流程模型，还是效能与质量管理体系，我们大概率是在用上一个时代的答案，回答下一个时代的问题。如果我们不能正视这一点，在 AI 浪潮席卷而来的今天，我们实际上都已经站在了被淘汰的边缘。
本文是我对过往工作的反思总结，是对未来企业研发模式的思考。
时代背景
回望过去八十年，研发的本质一直在发生剧烈的代际迁移。
第一代研发（1940s-1960s）是关于“硬件”的。 那是一个“人迁就机器”的时代。先驱们在与物理极限做斗争，核心诉求是“让机器跑起来”。程序员们拿着打孔卡片，像操作精密车床一样，直接面向寄存器和内存地址编程。每一行指令都是对硬件的直接操控，研发的瓶颈在于电子管的寿命和磁芯存储器的容量。
第二代研发（1970s-2020s）是关于“软件”的。 高级语言的出现彻底屏蔽了底层的硬件差异，让我们可以用更接近人类思维的方式构建逻辑。随之而来的是复杂的软件工程体系——CMMI、DevOps、敏捷开发，所有的努力都是为了管理日益庞大的代码规模，确保系统的稳定、可扩展与可维护。在这个阶段，我们把人训练成了精密的“逻辑转换器”，工作的核心是将人类的需求准确地翻译成机器语言。
但现在，我们正处于第三代研发的黎明。在 AI 时代，代码的生成、重构、排错正在被大模型以惊人的速度“商品化”。过去需要五年经验才能掌握的框架细节，现在 AI 几秒钟就能搞定。“怎么实现”不再是最大的难题，“做什么”以及“为什么做”才是核心。
未来的研发，其核心价值将不再是堆砌代码，而是对需求的深度理解与价值变现。我们要从“代码的搬运工”，进化为“价值的架构师”。
工作反思
基于这个判断，审视我们当下企业管理的现状，正在犯三个方向性的错误。
反思一：我们正在用“工业时代”的方法，培养“AI 时代”的废柴
一直以来，我们的招聘画像、技能培训、晋升标准，都在强调“专家型”人才——即在某个垂直技术栈钻得足够深的人。我们默认的优秀工程师模型是：长期积累的技术专家，深耕某一技术栈，以实现能力作为核心竞争力。 这在过去是对的，但现在，单一技术深度的边际价值正在断崖式下跌。
AI 带来的变化非常现实：实现门槛被急剧拉低，大量隐性经验模型能轻易实现，单一技术深度的边际价值持续下降。 与此同时，另一种能力开始变得稀缺：能否理解复杂需求、能否拆解模糊问题、能否在不确定中做出合理判断，并且能与 AI 高效协作。
让我们看几个具体的例子：
- 在前端领域，过去我们推崇能手写复杂 CSS 布局、解决浏览器兼容性问题的专家。但现在，给大模型一张草图，它能瞬间生成比较完美的响应式代码。那些曾经耗费数年积累的“手感”，在 AI 的像素级还原面前，不再构成核心竞争力；
- 在后端数据层，过去精通复杂 SQL 调优、手写高性能 ORM 映射是高阶技能。现在，AI 不仅能秒级生成最优查询语句，还能自动分析索引缺失。一个不懂 SQL 优化的业务开发，配合 AI 可能比一个传统的数据库专家跑得更快；
- 在基础算法上，过去面试必考的手写红黑树、动态规划，曾是筛选“聪明人”的门槛。而今，这是 AI 最擅长的领域。它不仅能写出无 Bug 的代码，还能给出时间复杂度分析和三种不同的优化方案；
- 在运维领域，过去精通 Shell 脚本、正则表达式是高手的护城河。现在自然语言就是脚本，复杂的正则匹配 AI 一秒钟就能写出十个版本。
这揭示了一个残酷的现实：那些纯粹依赖记忆和经验积累的“硬技能”，正在最先被贬值。
未来的人才，需要的不是“专注”，而是 “一专多能”的复合型能力。这里的“多能”，不是让你去学所有语言的语法，而是要求你具备全栈的视野，尤其是理解业务、拆解模糊需求、并指挥 AI 完成交付的能力。
如果继续沿用过去的招聘标准、考试方式和培养体系， 我们本质上是在**用工业时代的方法，培养“AI 时代”的废柴。
反思二：我们用流程“管死”了人，却对 AI 毫无约束
我们对研发流程和质量的理解，从个人英雄主义，到分工协作，再到 CMMI 这样的成熟度模型，软件工程过去几十年的进步，核心逻辑是：通过过程约束来对冲人的不稳定性并降低能力要求。本质上是建立在“人不靠谱”这个假设上的。所以我们制定了繁琐的流程，对工作量进行严苛的评估，要求先有完美的需求文档才能动工。
然而，AI 时代的研发模式正在回归一种 “新质的个人英雄主义”。这不是退回到草莽时代，而是进化到 “钢铁侠”模式——由 1-2 个具备系统理解力的人类工程师，带领几个“智能体”共同完成交付。
在这个模式下，传统的“流水线式”协作流程将变得无足轻重。过去我们依赖外部的检查检查清单（如层层审批、强制的代码审查会议）来防范人为疏忽，这本质上是一种“后置”的拦截。而在 AI 时代，质量是内建在智能体之中的。
让我们对比一下这种反差：
- 在代码评审上：过去我们可能会强制要求代码必须经过 2 人以上的人工评审。这往往流于形式，因为人会疲劳，会漏看隐蔽的空指针或 SQL 注入。而现在，一个配置了我们企业安全规范 Prompt 的智能体，能在代码提交的瞬间自动拦截所有违规写法。这种“内建的质量”比任何签到表和会议纪要都管用，但我们的流程里却还在考核“开了几次评审会”；
- 在文档管理上：过去我们要求必须写完几万字的详细 PRD 并通过评审，才能敲下第一行代码。这导致大量时间浪费在“为了合规而写文档”上，且文档往往跟不上代码变更。而在 AI 辅助下，需求文档可以是代码的“副产物”，甚至通过对话即生成。原本用来控制风险的文档流程，现在反而成了阻碍创新的最大卡点；
- 在测试环节上：过去我们要求测试人员先写好测试用例，评审通过后再执行。而在智能体模式下，Agent 可以直接读取代码逻辑，自动生成并执行几千个覆盖边界条件的测试脚本。如果测试不通过，Agent 会直接拒绝代码合并。这时候，再去纠结“测试用例写得标不标准”，就显得并不是很重要了。
质量标准不再体现为外部的检查清单，而是直接被编写进了智能体的系统提示词和运行逻辑里。一个成熟的研发智能体，在提交代码前，就已经在内部闭环中完成了“生成-自测-修复-再验证”的循环。我们不再需要通过繁琐的流程来强行卡控质量，因为高质量的产出是智能体运行的默认结果，而非偶然。
现实却是，我们当前的管理方式恰恰相反：一方面对人的约束越来越细，对工时、工作量、流程合规的要求越来越刚性； 另一方面而对 AI 的治理、边界和质量责任，却几乎没有成体系的设计。结果是两头都没管好：对人的管理过于僵化，扼杀了创造力；而对 AI 的管理却是空白，缺乏对智能体产出质量的有效约束。
反思三：我们的研发平台是“监工”，而不是“战友”
研发形态在变化，那么研发工具平台必然要重构。看看我们用的各类研发平台，里面充斥着工时统计、任务流转、审批节点。这些都是管理属性，是做给管理层看的。我们核心的工作在围绕管控进行，但平台工具价值不在于记录了多少过程，而在于是否真正提升了“个体 + AI”的产出能力。
这种错位在日常工作中随处可见：
- 在任务排期上：现在的平台像个“讨债鬼”，催你填工时、改状态，只为了生成一张并不准确的甘特图给领导看。而未来的平台，当你输入需求时，它会自动弹出类似的历史任务供你参考，提醒你 “上次做类似功能花了 5 天，因为涉及到了旧系统的接口兼容”。它不是在监控你，而是在帮你避坑；
- 在审批流程上：现在的平台流程冗长繁琐，改一个小需求、发一个版都要评审，本质上是在划清责任边界，大家为了“免责”而机械点击。而未来的平台，审批即协同。“系统识别到该变更涉及核心支付链路，已自动拉起安全专家与业务架构师，并生成了影响面分析报告，多方在同一个会话中基于数据快速达成共识”。它将线性的关卡变成了并行的协作场；
- 在知识复用上：现在的知识库就像一个巨大的垃圾堆，存进去容易，找出来难，文档永远跟不上代码。而未来的平台，当你打开一个老旧的代码文件时，会自动帮你分析这段代码的业务背景、上次修改的原因以及相关的接口文档。是你的“第二大脑”，而不是你的负担；
- 在复盘归档上：现在项目结束，都要人工去收集数据、写 PPT、开复盘会，往往流于形式。而未来的平台，会自动聚合过程中的代码提交、Bug 记录和沟通日志，自动生成一份客观的效能洞察报告，告诉团队 “这次延期主要是因为 30% 的时间花在了等待测试环境上”。它关注的是问题解决，而不是责任推诿。
真正的下一代研发平台，不应该是一个管理系统，而应该是一个人机协作的操作系统。它的核心能力应该是 “工具链 + 知识库 + 智能体”。它管理的对象，将从“一个个静态的系统”，转变为“数据 + 模型 + 智能体”的动态生态。这是我们在 2026 年甚至更远的未来，必须全力探索的方向。
战略思考
在我的职业生涯中有过多次作为 CTO 和技术 VP 的经历。这让我养成了一种近乎本能的“忧患意识”——即在环境最好的时候，考虑的是：要深挖洞、广积粮。
如果把公司看作是我自己的，我的思想钢印告诉我：短期的确定性回报固然重要，但建立护城河才是生存之本。
在 AI 时代，什么是护城河？不是我们写了多少行代码，也不是完成了多少个项目（那些都只是财务数字）。真正的护城河是：一套可持续的体系。 这包括了适应 AI 的人才梯队、深厚的技术积累，以及基于模型打磨出的拳头产品。因此，我会毫不犹豫地投入资源进行人工智能体系化的建设。
但另一方面，如果我是一个初创公司的创始人，我的心态会截然不同。
作为创业者，我不会搞什么体系化，我会极度功利——一切为了快速实现需求。会围绕“最小化工具集”构建团队，怎么快怎么来，甚至采用 Vibe Coding的模式。
这看似是两种冲突的价值观：体系化 vs. 敏捷化。但在未来，它们必然统一。 这就导向了我们未来的组织形态：平台+阿米巴模式。
我们要把公司打造成一个平台，在这个平台上，每一个小的经营单元、每一个项目组，都应该像一个“创业团队”。他们利用公司提供的强大 AI 底座，以极高的效率、极低的成本快速响应市场需求；而公司层面，则专注于构建这个底座，沉淀数据、优化模型、打磨智能体。
一言蔽之：企业负责“深挖洞”，团队负责“打胜仗”。
行动路线
为了不被时代“干掉”，我们要主动出击。未来的工作重心将不再是修补旧船，而是建造新时代的航母。因此，作为研发型的企业，我们需要围绕以下四个关键维度展开深度变革：
重构平台底座，构建面向未来的生产资料
我们要建设的不是另一个管理系统，而是一个通用化的 AI 能力构建与运行平台。它将成为我们新时代的操作系统（AIOS），其核心不再是堆砌功能模块，而是围绕 AI 时代的三大核心生产要素——数据、模型、智能体进行全面重构：
- 数据（Data）：从“静态档案”升级为“认知燃料” 过去，数据只是躺在硬盘里的冷备份。接下来通过RAG（检索增强生成）与知识图谱技术，将非结构化的文档、代码和日志转化为模型可理解的向量资产。同时建立数据加工流水线，实现自动化的清洗、脱敏与标注，确保持续为 AI 提供高质量的“燃料”，彻底解决通用模型“不懂业务、不懂规范”的痛点。
- 模型（Model）：从“黑盒调用”升级为“可控引擎”
- 过去，我们只能使用外部模型。接下来我们要建立企业级的模型工厂（MaaS），统一纳管基座模型与行业模型，并通过统一网关屏蔽底层差异。同时掌握微调（Fine-tuning）能力，将企业的专业知识注入模型；引入潮汐调度机制，利用夜间闲置算力进行低成本训练，让算力资源 ROI 最大化。
- 智能体（Agent）：从“辅助工具”升级为“数字员工”
- 过去，软件只是响应指令的工具。接下来智能体将具备感知、规划与执行能力。通过工作流编排与MCP 标准，智能体可以自主拆解任务、连接业务系统。交互也将随之变革，从呆板的表单升级为生成式 UI，实现“意图即操作”。智能体不再是简单的 Copilot，而是能与人并肩作战的独立数字员工。
赋能研发角色：从“执行者”到“指挥官”
我们不再单纯考核人工作时长及代码产出，而是要彻底改变对研发角色的定义。要为每一个关键角色配备专属的“AI 副驾驶”，打通从需求到交付的智能链路：
- 对于产品经理（需求分析师）：提供 “辅助需求撰写智能体”。只需要输入“一句话需求”，就能利用结构化解析工具和 RAG 技术，自动生成标准的 PRD 文档初稿，并补全逻辑漏洞；
- 对于技术经理：提供 “辅助任务撰写智能体”。能基于历史项目数据，自动将需求拆解为标准化的开发任务列表，并给出精准的工时预估和技术实现建议，告别“拍脑袋”排期；
- 对于测试人员：提供 “辅助功能测试智能体”。能直接解析需求文档，自动生成覆盖边界条件的测试用例，甚至一键转换为自动化测试脚本，让测试不再是瓶颈；
- 对于开发人员：除了 IDE 中增强的代码辅助插件，支持上下文感知的补全与重构外，还将提供 “辅助质量评审智能体”，在代码提交前自动拦截逻辑漏洞与规范问题。
未来的工程师，更像是一个指挥官，指挥 AI 军团完成战术动作，而自己专注于战略目标的达成。
重塑人才文化：寻找“超级个体”
这可能是最痛苦的一步，但也是必须的一步。我们要推动人才转型，打破单一职能的边界，建立 “AI Native” 的研发文化。
- 全员普及与专家认证：开展全员 Prompt Engineering 培训，让 AI 成为像打字一样的必备技能。同时，设立 “AI 研发效能专家” 高阶认证，培养一批既懂业务又精通 Agent 编排的领军人物；
- 以赛代练，发掘潜能：举办AI 专项赛，包括 AI 辅助编程大赛和智能体开发大赛。要挖掘那些能用 AI 创造奇迹的“超级个体”，树立新的英雄榜样；
- 建立“知识变现”机制：搭建内部的 Prompt / Agent 市场。如果调试出了一个绝妙的 Prompt 或开发了一个高效的 Agent，可以发布到市场，通过被调用来赚取奖励。要打破“教会徒弟饿死师傅”的旧思维，让知识贡献成为实实在在的收益。
23年，我们曾试点了ShapeUP!研发模式 （见 https://idealworld.group/2025/01/01/reflections-on-shapeup-based-team-management/ ），当时的动机是为提升效率，拓展各角色的能力边界，但试点了几个版本并不是很成功。核心原因在于大家的意识不足，没有动力去走出舒适区，加之我们的配套措施也不够健全。但接下来，我觉得时机成熟了。每个研发角色都要全栈化，不仅是为了效率的提升，更是关乎到有没有“饭碗”的事！
革新工具体系：AI-First 的开发范式
我们要建设完全由 AI 引领的研发工具链。现在的 IDE 补全只是起步，未来的目标是构建AI-First 框架。
在这个体系下，开发过程将不再是逐行敲击代码，而是变成一种人与智能体流畅对话的过程。我们要引入 Vibe/Spec-Drive Coding 等新一代开发模式，让从需求到上线的路径被极致压缩。
总之，我们要做的，是干掉旧的技能、干掉旧的流程、干掉旧的工具。然后在废墟之上，建立起面向 AI 时代的新质生产力。这不仅是技术的升级，更是一场关于生存的进化。
上图是我们基于现有平台构建的AI-First工具链体系。后续有机会再进一步分享。
小结
人工智能是时代给予我们这代人最大的红利，是研发效率跃升的核心引擎。2025年我们团队已经做了基础性的工作，2026年将加倍投入，让我们的北极星目标 “人类参与研发的时间持续减少，研发交付的能力持续增长” 得以实现。
