AI时代，程序员的价值

今天使用 Codex Vibe Coding 做了一个 Mac 端的小应用。

这个应用是主要是用于提醒在办公室办公久坐的人，在工作一定时间后要站起来走动、喝口水、往远处看看，缓解一下疲劳，劳逸结合。

大概花了不到1小时的时间，跟 Codex 沟通了几轮，然后最终出来了一个最小可运行的版本。

桌面小精灵会一直悬浮在桌面，偶尔眨一下眼睛和扇动一下翅膀，工作到规定时间后，他会提醒你，该休息了，站起来走动一下等等。

在这个小应用上花的时间，总共也就不到1个小时，一个完整可运行的应用就出来了，不得不感叹，当年的“手搓代码”，这么个小应用，最少得3~5天的时间，仅仅动态效果就得花很长时间，而现在仅仅1小时就解决了，效率何止提升了百倍。

从个人效率到团队交付

但是对于这么个小应用来说，效率是极致的，一个人完全靠 AI 完全可以做一堆应用。但是，如果是一个大型项目，多人协作，效率是否如此呢？

今天看到 Entire 官方发布了一篇文章，是前 Github CEO Thomas Dohmke 创办的Entire 推出代码托管平台，以 Trails 组织代码变更，让多个审查Agent在每次提交后提供评分、理由和问题清单。并且平台支持人工批准和 CI 检查作为合并条件，并将历史会话与提示词沉淀为可检索的持续记忆。

这不得不让人联想到，AI 降低了“生成代码”的成本，但是却增加了需求澄清、任务拆分、结果审查、问题定位和系统协调的工作量。人的工作并没有消失，而是从“亲自生产”迁移到了“定义目标、设计约束和验收结果”。

所以，AI 提高了代码产量，是否真正提高了正确交付率呢？当 Agent 负责写代码时，团队不会减少所有工作，而是需要另外一套机制来判断它能不能上线。而人的职责也在逐渐发生了变化 ：

从过去的主要工作：

理解需求 => 编写代码 => 调试 => 上线

到如今升级为：

定义目标 => 补充上下文 => 设置约束 => 让 AI 执行 => 验证结果 => 处理例外。

AI 减少了执行的负担，同时也提高了验收能力的重要性。

程序员正在转向哪些能力

所以，未来程序员的真正稀缺的能力正在发生变化：

从写代码转向了定义问题： 一个高质量任务至少需要说明要解决什么问题；谁在什么场景下使用；输入与输出是什么；哪些业务规则必须遵守；哪些情况必须转人工；什么结果才算是完成。

从记住知识转向设计验收标准： 功能的验收不能再以结果正确就可以，还需要制定验收边界，条件判断，异常提示，判断依据等。

从亲自执行转身管理例外： AI 适合处理大量标准任务，而人应该重点处理如信息不完整、规则冲突、客户投诉、结果争议、高风险操作以及无法确定的业务判断。

从追求一次成功转向建立反馈闭环： 需要形成一套正向的反馈闭环，将 AI 与人都纳入进去。

未来真正有价值的程序员，不一定是代码写的最快的人，而是能把模糊问题转化为明确任务，并判断结果是否可靠的人。