从写代码到调模型：一个前百度工程师眼里的 Superpowers 进化论

作者：Felix | 前百度 AI 工程师
关键词：AI 时代工程师、工程师进化、AI Agent、大模型、职业发展

前言

上周我用 Claude Code 一天干完了三天的活儿。真正让我震撼的不是速度，而是"我做的事情"彻底变了——从坐下来敲代码，变成拆需求、审代码、做决策、喂下一轮。大半天我都没碰字母键，全在点 approve 和打 comment。

那一瞬间我意识到：工程师的价值坐标系正在整体平移。过去二十年让我们值钱的能力——记忆、手速、API 熟练度、调优经验——正在被 AI 一层层剥掉溢价；而那些过去被归为"软技能"的能力——问题定义、系统判断、审核把关、表达力——正在被重新定价为硬通货。

这不是"AI 会不会取代程序员"那种老问题了。更准确的问法是：如果 AI 把执行层几乎抹平了，工程师之间还能比什么？

我把这一年从国企离职创业、切到全栈用 AI 做产品路上观察到的变化，总结成五种正在进化的"新超能力"。每一条都给具体例子和判断标准，尽量不水。读完你至少能回答自己一个问题：我的 superpower 点歪了没？

一、旧 Superpowers 地图：那张我们背了二十年的能力表

先复盘一下"旧世界"。过去工程师的能力模型，大致可以拆成五项：

• 深度：某一领域是专家。比如懂 JVM GC 调优、能手写一个 B+ 树、看得懂 PostgreSQL 的锁机制源码。
• 广度：技术栈全栈。前端后端运维 DB，哪一层掉链子都能自己补上。
• 速度：手快。同样一个 CRUD 模块，别人写两天你半天出活。
• 可靠性：代码稳。线上 bug 少、边界情况考虑周全、code review 挑不出毛病。
• 沟通：能把技术方案讲给产品和老板听，不卡壳。

这五项里，真正拉开工资差距的就是"深度"和"速度"。一个资深工程师比普通工程师贵一倍，差的不是广度也不是可靠性，差的是"遇到硬问题能啃下来"和"同样时间能产出多少"。

我在百度时，组里最贵的那个技术专家只专注一个细分方向，但能在凌晨三点线上故障时盯着十万行日志定位到一行 race condition，一小时出补丁。这就是典型的深度 × 速度溢价。

但请记住这两个词：深度、速度。它们恰恰是 AI 贬值最快的两项。

今天一个新人加一套 Claude Code，在 Python 业务代码上的速度可以追平五年老兵；在排查不熟悉的开源组件问题上，AI 的深度辅助也把门槛抹平了。这不是说资深不值钱了——是资深的溢价逻辑需要换个根。

二、五种正在进化的新超能力

Superpower #1：问题定义力（Problem Framing）

旧版本：能把需求拆成 user story、画出流程图、估出工时。
新版本：能从一堆模糊的业务诉求里，切出 AI 真正能解的那一块，并且把剩下的部分明确划到 AI 的领地之外。

举个真实例子。前段时间一个做跨境电商的朋友找我：“帮我做个 AI 客服”。这一句拆开其实包含五种场景：物流查询（调 API）、退款政策（查 FAQ）、商品推荐（查库存和偏好）、投诉升级（转人工），以及"我想要一个会说人话的朋友"——最后这条才是大模型真正的舞台。

很多工程师上来就一句 prompt 把所有场景扔给 GPT-4，结果查物流它瞎编单号、推荐商品它编出不存在的 SKU，最后被客户骂一顿。问题不在 AI 不行，在问题被错误地定义给了 AI。

为什么这项能力在升值？因为 AI 的执行能力越强，定义错误的代价就越大。一个 prompt 写歪，一小时几千次调用全是废数据，账单照常计费。

笨办法：每接一个需求，先用一张纸画三个圈——“AI 一定能解的”、“AI 绝对不该解的”、“灰色地带要实验的”。能画清楚这三个圈，你就是团队里最贵的人。

Superpower #2：架构判断力（System Judgement）

旧版本：能选对数据库、选对缓存策略、在同步和异步之间做对权衡。
新版本：能判断哪些模块该用 AI、哪些不该用；能在"RAG vs 微调 vs Prompt 工程"之间做出基于成本和效果的决策。

我见过最典型的反面案例：一个团队用 GPT-4 做文本分类——输入一段话，输出"投诉/咨询/建议/其他"。用得挺爽，一个月后账单四万多。问他们为什么不用 BERT 甚至正则，回答是"大模型更简单嘛"。把一个每天几十万次的简单任务交给大模型，是把法拉利当共享电动车骑。

反过来也有。该用大模型的场景用规则硬撑，结果一堆 if-else 改到崩溃。判断力不是靠背"RAG 适合什么、微调适合什么"的八股，是靠长期做决策 + 承担结果喂出来的。

这项能力为什么值钱？因为 AI 让技术选项爆炸式增长。以前"后端存储"你只要在 MySQL 和 Redis 之间选；现在"AI 怎么落地"要在 prompt、few-shot、RAG、微调、Agent、工具调用、多模型路由之间做多维决策。做对选择的人会非常稀缺。

Superpower #3：质量审核力（Review Bandwidth）

旧版本：会做 code review、懂单测覆盖、pre-commit hook 配得飞起。
新版本：面对 AI 一次吐出的 500 行代码，能在 5 分钟内判断是否能上线；能识别"看起来对但会在第 1% 的边界场景炸"的 AI 幻觉。

这是我自己吃过亏的地方。Claude 生成的一段数据处理脚本，默认参数里写了 is_admin=True。代码逻辑看起来没问题，测试也过了。上线后第二天才发现一个普通用户触发了管理员权限路径——差点出安全事故。AI 不会内疚，但审的人要内疚。

工程师的产出瓶颈，正在从"我一天能写多快"变成"我一天能审多快"。你一个人靠 AI 一天能写三千行代码，但你真能审三千行吗？审不完的那部分就是风险敞口。

几个硬办法：

给每段 AI 代码加三个追问——这段跑在什么边界下？谁有权限触发？失败了谁买单？问完大部分幻觉就露馅了。

建立"高危代码关键词库"——is_admin、sudo、DELETE、DROP、eval、exec、shell=True、debug=True。肉眼扫一眼有没有这些词，比重读一遍代码快得多。

永远不让 AI 审自己的代码——让另一个模型或另一个 session 来审，交叉验证。单点故障的概念同样适用于 AI。

Superpower #4：AI 编排力（Orchestration）

旧版本：会写脚本、配 CI/CD、搭过几条自动化流水线。
新版本：能设计多 Agent 工作流，让 3 到 5 个不同模型或不同角色的 Agent 配合干一件事——一个规划、一个执行、一个审核、一个总结。

我喜欢的一个类比：以前你是操作员，现在你是导演。操作员比的是手速，导演比的是剧本、选角、节奏。

我自己在用的一个工作流——写一篇技术文章的 3-Agent 分工：研究员读资料、列提纲、挑金句；写手拿提纲填内容、写代码样例；编辑审语病、查技术错误、打磨标题。一轮下来我只做两件事：确认提纲、最终校对。过去一个人从头写到尾六小时，现在两小时不到。

编排力的本质是什么？**是把"让机器干活"这件事当成系统设计题来做。**你要设计 Agent 的角色边界、消息协议、失败回退、以及"什么时候让人介入"的触发条件。这些思考和十年前设计微服务完全同构。所以真正强的架构师切到 Agent 时代会非常顺。

Superpower #5：表达与人性力（Human Interface）

旧版本：能写清晰的设计文档、能把 PR 描述写得让 reviewer 一眼看懂。
新版本：能向 AI 精准表达意图（prompt），能向人高效传递故事（写作、演讲、短视频）——两端都是"让对方准确理解我想什么"的能力。

这是我个人最想拎出来说的一条，因为它最反直觉：AI 时代，写作能力是工程师最被低估的超能力。

三个理由：

第一，写作是跟 AI 交互的主要接口。 prompt 越结构化、越有上下文、越能把隐藏前提说清楚，AI 的产出质量就越高。能写好文档的人天然能写好 prompt。

第二，写作是个人品牌的复利机器。 这篇文章就是证据——代码跑完就结束了，文章可以被搜索、引用、转发。在 AI 抹平"写代码"门槛之后，"让人记住你"的能力变得前所未有地重要。

第三，写作是思考的外化。 能写清楚一件事的人，一定想清楚了这件事。很多工程师开会讲不明白方案，本质不是口才问题，是思考没闭环。

建议每个工程师从今天起每周写一篇公开的技术思考，可以短、可以粗糙，但必须公开。半年后你会发现它反哺了 prompt 能力、方案设计，甚至晋升答辩。

三、过渡期的三个错觉

有一批工程师正在踩坑，我列三种最常见的错觉：

错觉 1：AI 只是个更快的搜索引擎。
错。AI 更像一个"执行实习生"——你得像带下属一样使唤它。给它上下文、给它目标、给它边界、给它验收标准。把它当 Google 用，就只能拿到 Google 水平的产出。

错觉 2：会用 Cursor / Claude Code 就够了。
工具只是起点。真正拉开差距的是你用工具做成了什么项目、踩过哪些坑、在什么场景下知道该绕开。三年后工具还会换一轮，沉淀下来的项目经验和判断力才是壁垒。

错觉 3：熟练度就是竞争力。
熟练度会被下一波工具抹平，就像五年前熟练写 jQuery 不再值钱一样。真正的壁垒是思考框架——怎么定义问题、怎么做技术选型、怎么设计 Agent 协作。这些东西跨工具、跨时代都不过时。

四、写给 38 岁和所有焦虑的工程师

我今年 38，从国企辞职出来创业半年。这半年里每天回答自己最多的问题是：中年工程师的路是不是越走越窄？

我的答案是：窄的是旧路径，新路径正在铺开，但只对愿意重建自己能力模型的人铺开。

中年的劣势是旧技能沉没成本大、换赛道疼。但优势是你见过系统、扛过事、做过判断、带过人。这些恰恰是 AI 时代最难替代的——那五种新超能力每一条都跟"见识"和"判断力"高度相关，而这正是时间给中年人的复利。

给所有还在焦虑的同行三条可操作建议：

一是每天留 30 分钟和 AI “对话式工作”。不是用 AI 给你打工，而是和 AI 一起思考——让它当白板、当 rubber duck、当反方辩手。半年下来思考密度翻倍。

二是每周输出一次公开思考。博客、知乎、公众号都行。强迫表达 = 强迫结构化 = 强迫升维。

三是每季度主导一个"非本职"项目。后端出身就去做 iOS 小工具，算法出身就去做 Web 产品。打破技能茧房，是中年工程师唯一的护城河拓展方式。

结尾

我开头说过，工程师的价值坐标系正在整体平移。写这篇文章的过程里我又想通了一件事——

旧地图画不出新大陆。愿意重画地图的人，正在迎来最好的时代。

AI 不会取代工程师，但它会重新定义"什么样的工程师值得被重用"。定义权在谁手里？不在 AI 手里，在那些愿意把自己能力模型拆了重装一次的人手里。