过去二十年，软件工程领域始终围绕一个隐含前提展开： 软件工程师，首先是优秀的代码编写者。

从算法面试，到系统设计，再到代码实现能力，几乎所有招聘体系都在围绕“写代码”这一核心能力展开。然而，随着大模型与 AI 代理（AI Agents）的快速发展，这一前提正在被系统性动摇。

以 Augment Code 官方博客原文 为代表的一批 AI 原生公司，已经率先给出了一个明确的判断：

当 AI 可以完成 90% 甚至 99% 的代码编写时，
工程师的价值，将不再体现在“写代码”，而在于“决定做什么、如何做，以及如何让系统正确运行”。

正如其Augment Code最新发布的招聘标准所强调的：

人类角色正在从“作者”转向“架构师与编辑”，核心在于定义意图、做出权衡，并对最终结果负责

在这一背景下，Augment Code 于 2026 年提出了一套具有代表性的 “AI 原生工程招聘标准”，系统性地重构了工程师能力模型。该标准不再以传统编码能力为核心，而是围绕以下关键能力展开：

• 是否能够选择“正确的问题”

• 是否具备系统级架构判断能力

• 是否能够有效调度与约束 AI 代理

• 是否能够在不确定环境中快速学习与演化这一转变也标志着软件工程范式的根本变化：

正如业内分析所指出，这一招聘标准的本质变化在于：

工程师的核心职责，从“执行代码”转向“决策与控制系统”

因此，Augment Code 的这套招聘标准，并不仅仅是企业内部的人才筛选工具，更可以被视为：

👉 AI 时代软件工程能力模型的一次前瞻性重构

下面是对 Augment Code 官方博客原文 的中文翻译：

我们现在如何招聘 AI 原生工程师：我们的评估标准

当 AI 代理可以写 99% 的代码时，你该如何招聘工程师？

当我们意识到现有的招聘流程是为一个不同的时代设计时，我们开始问自己这个问题。一直以来，软件工程师所做的事情并不仅仅是写代码，但优秀的编码能力始终是被录用的首要前提。

然而，随着 AI 代理在实现层面越来越强大，那些能够创造最大价值的工程师，开始不再只是写代码的人，而是具备 产品品味（product taste）、架构判断能力，以及能够引导人类与 AI 代理协同工作的能力，从而把系统带向正确的结果。

在 Augment，我们一直在公开讨论 如何成为 AI-native（AI 原生）团队，以及这到底意味着什么。这篇文章是这个故事的下一章节。

---

现在真正重要的技能

随着工程师开始与越来越强大的 AI 代理协同工作，工作的性质正在发生变化。

工程师花在写代码本身上的时间减少，而更多时间用于：

• 决定应该构建什么

• 设计能够在生产环境中稳定运行的系统

• 编排 AI 代理

• 让团队围绕明确的结果达成一致

编码仍然重要。
但越来越多情况下，这是机器可以协助完成的部分。

现在更重要的是 判断力（judgment）：

能够选择正确的问题、做出合理的架构决策，并引导人类与 AI 代理共同实现有意义的结果。

如果从更高层次看，这种变化大致如下：

传统工程模式	AI 原生工程模式
编写代码	描述意图并评估权衡
实现解决方案	编排 AI 代理
解决问题	选择正确的问题
个人产出	系统级结果

当我们意识到工程实践正在向更高的抽象层迁移时，一个简单的问题随之出现：

在 AI 原生环境中，究竟是什么能力让优秀工程师脱颖而出？

---

AI 原生工程的六个维度

首先，我们回到 Augment 对 AI-native engineering（AI 原生工程） 的定义：

人类的角色正在从“作者”转变为“架构师与编辑”。 你需要定义意图、做设计与权衡决策、设定边界条件、关注用户体验，并成为质量的最后一道防线。

在这个前提下，我们组织了一次由 工程经理（EM）、工程师（IC）和招聘人员参与的深入讨论，从第一性原理出发分析这个问题。

最终，有六种能力持续被提及。
我们认为，在 AI 原生工程时代，这六个维度最为关键。

维度	核心问题
产品与结果品味	我们是否在构建正确的东西？
系统与架构判断	这个系统能否在生产环境中长期存活？
AI 代理杠杆能力	你能否把 AI 转化为真实的工程效率？
沟通与协作	你能否清晰表达意图并跨视角合作？
责任感与领导力	你是否推动结果，而不仅仅完成任务？
学习速度与实验思维	你能否与工具的发展速度同步进化？

你可能会注意到一个缺失的维度：

纯粹的编码能力。

编码依然重要，但它已经不再是区分工程师能力的主要因素。

---

产品与结果品味

我们是否在构建正确的东西？

随着代码生产成本越来越低，最昂贵的错误变成了：

构建错误的产品。

工程师需要越来越多地：

• 深入理解用户问题

• 穿透模糊性

• 在实现开始前定义清晰目标

最高杠杆的工程师，并不是写代码最多的人，而是确保团队解决正确问题的人。

---

系统与架构判断

这个系统能否在生产环境中存活？

AI 代理可以生成能运行的代码，但在判断系统是否可靠方面，它们远没有人类工程师可靠。

架构判断需要理解：

• 长期权衡

• 运维现实

• 在规模增长时出现的隐性风险

“它能运行”很容易。 “它在生产环境中能长期稳定运行”则要困难得多。

---

AI 代理杠杆能力

你能否把 AI 转化为真正的工程生产力？

AI 原生工程师不仅仅把 AI 代理当作辅助工具。

他们会：

• 将问题结构化，使 AI 能够高效执行

• 在 AI 偏离方向时进行引导

• 验证 AI 生成的结果

可以把这理解为一种“委托管理”。 只是你的下属速度极快，而且有时会非常自信地犯错。

---

沟通与协作

你能否清晰表达意图并与不同视角协作？

随着实现速度提升，越来越多的工作转移到：

• 澄清问题

• 展示不同方案的权衡

• 吸收团队不同成员的意见

工程师需要：

• 清晰表达

• 良好倾听

• 快速建立共同理解

最快的团队并不是写代码最快的团队，而是
最快达成清晰认知的团队。

---

责任感与领导力

你是否推动结果，而不仅仅完成任务？

优秀工程师对结果负全责，而不仅仅是代码中的一小部分。

当阻碍进展的问题出现时，例如：

• 构建速度慢

• 工作流程混乱

• 系统之间存在断层

他们会主动介入并解决问题，即使这些问题不在他们的职责范围内。

责任感意味着清除一切阻碍团队达成结果的因素。

---

学习速度与实验思维

你能否与工具的发展速度同步进化？

我们今天使用的工具，很可能三个月后就会改变。

在这种环境中表现出色的工程师：

• 持续实验

• 快速改变工作流程

• 当更好的方法出现时果断放弃旧方法

实验不再是一个阶段，而是工作的本质。

---

从理念到招聘标准

一个框架只有在改变招聘方式时才有意义。

下一步是把这些维度转化为 可观察的信号（observable signals），也就是在面试中可以评估的行为。

例如：

• 候选人能否快速澄清一个模糊的问题？

• 是否能在架构风险进入生产环境之前识别出来？

• 是否能有效指导并验证 AI 生成的工作？

我们首先将这些标准应用在 工程岗位 上，因为 AI 原生工作方式在这里最明显。

未来，我们也会逐步扩展到其他职能领域。

---

我们目前寻找的工程师类型

我们识别出了四种关键人才画像，它们将在未来招聘中成为核心。

AI 原生系统工程师

具备强大的架构判断能力和深厚的基础设施直觉。
负责确保系统基础在 AI 加速开发的情况下仍然稳固。

---

AI 原生产品工程师

具备优秀的产品品味和用户共情能力。
专注于定义正确的问题，并不断迭代实现真正重要的结果。

---

AI 原生应用 AI 工程师

深刻理解 AI 模型，并知道如何在其之上构建系统。
负责提升 AI 代理与工程工作流的能力。

---

AI 原生早期职业工程师

最重要的特质是 学习速度。
这些工程师从一开始就习惯与 AI 代理协同，并能够快速适应工具与工作方式的变化。

---

每一种角色在六个维度上的权重不同。

同时，我们也为每种角色设计了 围绕关键能力信号的面试流程。

---

招聘反映你的价值观

重新思考招聘的一个重要副作用是：

它迫使我们明确工程文化的价值观。

这六个维度不仅影响招聘，也影响：

• 绩效评估

• 成长路径

• 职业发展

如果判断力、杠杆能力和学习速度是最重要的能力，那么这些能力就应该在组织的每一个环节体现出来，而不仅仅是在面试中。

---

接下来会发生什么

我们之所以现在分享这个框架，是因为我们知道它仍然会变化。

工具正在快速变化，我们对 优秀 AI 原生工程 的理解也在不断变化。

如果你对这样的未来感到兴奋：

• 小型工程团队

• 与大量 AI 代理协同工作

• 工程能力集中在产品品味、系统判断和编排能力

我们很愿意与你交流。

如果你是一位工程领导者，也在思考同样的问题，我们也很想了解你的观点。

目前没有人完全解决这个问题。

但无论面试流程是否已经更新，招聘本身已经在发生变化。