Vibe Coding 对个人和组织的影响
Vibe Coding 两年时间,这个 AI Agent 的发展不仅对个人的影响极大,对组织也是一个急需变革的事情。
今天想聊聊 Vibe Coding,过去两年的时间里,这个事情发展的特别快。现在回头看,变得不只是 AI 能加快多少写代码的效率,而是在量变到质变之后,和代码/产品相关的思维方式都完全的不一样了。
1. 序:从自己的亲身经历看开发习惯的跃变
进入 AI 时代以来,最有意思的事情变成了,每隔 2-3 个月,你就要学习新的工具,因为新工具给你带来的效率是 2x, 3x 的提升。这已经是一个思维颠覆,如果是 5 年前,我会认为熟练度比工具更重要(尴尬…lol)。
这里梳理一个我自己使用编程工具的时间线:
| 时间 | 我的编程方式 |
|---|---|
| 2025 年初 | Manus 和 YouWare 开始流行,社交媒体上能看到很多人分享自己做的东西,已经有点 Coding 平民化的感觉。我试了几个产品,主要还是做可视化和个人博客。做出一个东西容易了,长期维护和迭代的问题还没有被解决 |
| 2025 年上半年 | 开始用 ChatGPT 写代码。有小需求一般直接丢给它,拿到代码复制到 IDE 里跑,跑出问题如果是小问题就自己改改,如果不是小问题就贴回去让它改,来回几轮把代码跑顺 |
| 2025 年下半年 | 开始在公司用 Trae IDE(字节内部 IDE) 编程,当时用到的不少国产模型经常出问题,公司内部系统也没和 AI 打通。我还是得花大量时间查文档、找代码示例,再复制到 Trae 里让它接着做,几乎没法用,很难受 |
| 2025 年末 | 换到 Cursor 之后,直接把 Visual Studio 卸载了,我觉得 Cursor 才是真正 AI native 的编程工具,其中特别喜欢的一个功能是,它能直接读 terminal,根据一次命令的 output 错误来自己修代码 |
| 2026 年初 | 用到 Opus 4.5 之后,我感觉 Claude Code 的 harness 做得比 Cursor 好,模型和 harness 有种螺旋式上升不断变强的感觉,于是我又把 Visual Studio 装了回来,搭配 Claude Code 命令行使用 |
| 2026 年中 | Claude Desktop 做的越来越好,同时,用上 Opus 4.7 后,我看代码的时间越来越少,从只看关键文件,到很多需求直接让 AI 提交、合并。我觉得只用 Claude Desktop 就完全够了 |
| 2026 年下半年 | Codex 和 Claude 的能力交替领先,我也在两个客户端之间切换。Codex 的界面没那么极客,也有不少人喜欢这种风格。GPT 表现更好时我就用 Codex,Claude 更强时我就切回 Claude Desktop |
| 现在 | 还是优先用 Claude Desktop。我个人感觉 Claude 的 SOTA 模型表现比 GPT SOTA 模型还好一些。但是 Codex 的额度 reset 得比较频繁,实际干活时,谁的 credits 还有剩我就用谁。 |
很有意思,两年时间,8 次编程习惯的切换,这在以前是不敢想象的。
2. 效率提高之后,新的瓶颈是什么?
2.1 idea 数量不够了
“idea 数量不够了”,这其实是最容易遇到的一个问题。因为刚从传统软件开发的思维习惯里转过来,一个很大的变化是:以前 2 个月只能干 1 个事情,现在变成 2 天就能干 1 个事情。那在第 1 天的时候,其实就要想着下一个事情是什么,不然很有可能这 2 天干完了,第 3 天你不知道做什么。所以 idea 数量不够是一个最大的问题,也是我觉得最容易遇到的问题。就是你没有想法,那没有想法的话,其实 AI 能力再强跟你也没什么太大关系。
2.2 Context 切换不过来
当你有了足够的 idea 之后,那很有可能你同时在并行做 3 件事情,4件事情,甚至现在很多 geek 同时可以干八九件事情。那这里面有一个问题是,你脑子的上下文切换有没有这么快速?
比如当有 5 个 agent 为你工作的时候,你的时间大概率被这些 agent 给碎片化。当然你可以让 agent 去代理 agent,但是仍然不改变你的决策数量和质量(因为 agent 只会 agent 仍然应该在你上层的决策路线里,并且你同样要付出努力让 agent 之间互相 align 住),并且这要求你的决策质量其实是需要比较高的,因为一个低质量决策很容易把 agent 带偏。
与此同时,这些 agent 干的活也很可能出错,出错后会造成新的问题,新的问题又会让你做更多的决策。其实这很像在一个成熟组织里去做一个管理者,每天你要应对的就是各种各样问题的决策。有些问题是你觉得很简单的,有些问题你觉得很困难的,也有一些问题是你给出了答案,但是执行层面上走偏,你反而要多花时间去修正的。
那这里面都涉及到 context 要不断地切换,你要应对的是执行效率有 100x 的 AI agent,那它随时都会来找你要新的决策。如果 context 切换不过来,无法持续做高质量决策,是没有办法管理这么多 agent 的。
2.3 学的太慢,太多东西不会了
这是我每天都在自己反思的一个问题:怎么样才能让自己学东西更快一些?
因为我觉得在这个 AI 时代,是要更多地去实践和学习不同的东西。因为 AI 给了你这个效率 10x 甚至 100x 的提升,如果还在原地打转,不停地去做一些自己擅长的东西,对个人成长是没有任何价值的。那与此同时,新的创造就依赖新的技能,build 出一些新的东西,把你过去历史的知识和新的AI相结合起来,产生一些新的作品,那这个才是真正让人兴奋的事情。
但是我们对新事物的接收程度、学习能力是否跟上了AI的执行能力?依我看是远远不够的。
3. 工程师角度,应该做啥?
我猜测很多工程师应该都很迷茫,现在 coding 的效率这么高了,那我们大把的时间应该用来干嘛?
我觉得coding能力增强之后,留给工程师的只有2条路:要么把这个路给走窄走深,要么把这个路给走宽。其实以前也是一样的,从职业发展角度来讲,以前也是一样的,只不过现在这个会变得更加极致。
3.1 新的思维方式: do to learn
这是我在 X 上看到的词,从 learn to do 编程 do to learn。以前我们的学习方式是先学一个东西然后去做,但是现在变成在实践中去学习,这是一个非常大的转变。我觉得这也对动手能力欲望很强的工程师来说是一个非常大的赋能,因为他们不再需要去啃那些枯燥的基础知识,而是可以在创造的过程中边做边学。
但这里要注重一个误区:我这里说的实践并不是指在同一个领域的同一个内容进行重复的实践。我觉得这个实践还是要去做跨域的实践和不同领域的实践,这样的话才能帮你在实践之中持续地拿到新的输入,保证你的每一次实践对你的个人成长都是有价值的。
3.2 路线一:走 Infra 路线,成为 AI 的运维工程师
说一下工程师的第一条出路:走 infra 路线,然后变成一个 AI 的 maintainer.
这个故事听起来会比较 dirty work,因为 AI 能把数字世界的 coding,以及所有用 CLI 能做的事情都完成,那剩下什么不能做呢?
比如你的老板让你去开一批机器,这个时候你需要去找供应商,至少你要去点开通这个按钮?然后你要检查机器的型号,协商到期时间,根据你们的业务特性去沟通。至于剩下的,比如机器拿到之后怎么用、什么样的程序适合用什么机器,这些 Agent 都能自动识别到。
比如一个 k8s 集群,它只需要有一个 k8s 的登入权限,就能够去扫描整个集群上所有的机器,然后根据自己的业务去做一个适配。里面的业务代码当然也是 AI 可以自己去写的,所以基本上不需要你来操心。你基本上就是在做一些 AI 跟外界缝合的事情,包括解决 oncall,来自产品、运营、老板的一系列问题。听起来有一点 dirty,但这确实是短时间内我看不到 AI 能够替代的事情。所以走这条路线,如果 AI 继续发展,这些愿意做 dirty work 的人反而胜出了。
3.3 路线二:学习如何带业务
工程师的第二条出路就是直接去做业务。
为什么会有这条路呢?因为以前还有一个中间态,我们可以去做架构师,或者去做一个非常资深的 engineer,但现在我觉得没有什么太大空间了。因为不管是多资深的engineer,其实在coding层面上都被做得差不多了,都很容易被AI替代。并且AI已经让你做架构也好、复杂项目的编程也好,基本上不怎么花时间了。
那就应该把更多的注意力放到工程的产物上,也就是我们的产品。我们的产品当然和业务相关,那你完全有时间去和业务打交道。那在这里面的话就是说,把工程和产品给串起来,端到端的去看一个事情。
那这里面就回到了上面讲的这个瓶颈的问题:你是否有更多的 idea,能够快速端到端去实现和验证。如果没有的话,那你大部分时间仍然是闲置的,是没有任何成绩的。
4. 从组织角度,如何最大化收益?
4.1 重构 Agent 生态
这是每个组织必须尽快要做的第一个事情,不管是缩减人员、组织调整还是其他手段,晚一天让自己的基建生态 AI 化,那整体效率就越来越大。这里好比别人已经变成了高铁,而某些公司还在开火车往前走。
4.2 接受超级个体
以前 Steve Jobs 说一个好的工程师和一个差的工程师大概是有 10 倍的差距,那我觉得在现在这个时代应该是有 1000 倍的差距。所以在一个组织里,尤其是一个稍微大型的组织里,大部分人都是一个比较普通的平均水平。如果有这样的超级个体,组织应该接受并且给他更多的特权,特权包括 token 额度,话语权体系等等,都应该围绕这个超级个体去打造。
因为以往我们对于这种超级个体,考虑到他还是要跟别人去协作,所以不喜欢“过于出挑”。但是现在的这种协作空间其实是越来越扁,因为当一个组织用 AI 体系已经重构完自己的业务之后,按理来说即使没有任何人介入,AI 也能够去在里面去做一些实验。所以这对超级个体来说是非常有帮助的,他只要有一个 idea,他马上就可以做,只要他的知识面是可以做到端到端的广度的。
所以我觉得超级个体现在发挥的能量是越来越大,甚至可以决定一家公司。我觉得这也是为什么能看到很多优秀的同学都非常早出来创业的原因之一。
4.3 围绕业务重构组织
字节已经在这么做了。头条系把前端、后端、xx 统一合并成业务,不再按研发线来组织部门。这是一个非常正确的选择,因为未来所有的工程师都应该是能够做到跨端协同的,最低要求是把一个产品的研发能够端到端地搞定。因为有了 AI 之后,研发其实跟具体的技术栈没有任何关系,也就是说 iOS 端、服务端、安卓端、Web 端都应该是一个人来做,或者说是多个人来做,但是每个人之间应该是一个互相 backup 的关系。
这样做有一个好处是我们可以减少很多的协调成本。以往我们看不同的研发部门之间的协调和协作,甚至是要引入 PMO,相当于还要再多几个人来去解决这个协调的问题,所以这个组织就会越来越臃肿。既然有了这个AI的赋能,其实就没有必要再去按过去这种重人力的方式来去做组织。