大部分開發者使用 AI 的方式，仍然和 2023 年使用 ChatGPT 時一模一樣。
打開對話框。問問題。複製程式碼。貼到編輯器裡。重複。
這樣做有效。沒有人說它無效。
但它已經以一種多數人尚未察覺的方式，悄悄變得過時了。而那些及早察覺的開發者，正默默地建立一項未來極難追趕的優勢。
現在，一個新型態的開發者正在崛起。他們不像其他人那樣，把 AI 當作寫程式碼的助手。他們正在圍繞 AI 建立一套完整的作業系統。這是一套有結構的系統，具備記憶、上下文、專門化的 Agents、驗證迴圈，以及能隨時間疊代優化的工作流程。
這兩種方法之間的鴻溝，正在成為軟體開發領域中最顯著的競爭優勢之一。不是因為某一群人比較聰明。而是因為某一群人更早理解到，真正的槓桿從來不在模型本身，而是在於環繞著模型的系統。
今天理解到這個轉變的開發者，將在未來幾年內享有持續增長的優勢。因為軟體開發的未來，並非關於更快地撰寫程式碼，而是關於大規模地編排智慧。
每個人都在談論的，並不是對的那個話題
過去兩年來，所有關於 AI 的討論，幾乎都被一個問題主導，而這個問題只是以不同的形式不斷重複。
哪個模型比較好？
Claude 對決 GPT。GPT 對決 Gemini。Gemini 對決 DeepSeek。開源對決閉源。每個人都忙著比較基準測試成績、程式碼撰寫分數、上下文視窗大小和推理評測結果，彷彿模型本身就是競爭的終點。
這個討論的重要性，正在緩慢地變得比參與討論的人所意識到的還低。
一個更有價值的問題，正悄悄地在所有噪音底下浮現。
如何把一個語言模型，變成一位高效的軟體工程師？
不是一個會回答問題的聊天機器人。不是一個能節省按鍵次數的自動完成引擎。不是一個按需求產生函式的程式碼生成器。而是一個真正的工程系統，能夠規劃工作、研究解決方案、審查程式碼、尋找錯誤、撰寫測試、更新文件、在長專案中管理上下文、從先前的決策中學習，並隨著時間改善自己的輸出。
這個轉變，此刻正圍繞著像 Claude Code 這樣的工具發生。而它的意義，遠比那些基準測試的辯論所暗示的要重大得多。
第一波 AI 程式碼工具，解決了錯誤的問題
第一代的 AI 程式碼工具，幾乎全部聚焦在程式碼生成上。那是一個顯而易見的問題，也是個值得解決的真問題。
GitHub Copilot 證明了 AI 能夠以真正有用的方式自動完成程式碼。ChatGPT 則首次讓軟體開發變得可以對話。模型快速進步。上下文視窗擴大了。程式碼品質提升到輸出結果通常只需少量編輯即可投入生產的程度。
有一段時間，感覺整個產業都在朝著一個明確的目標衝刺：生成更多程式碼，更快，錯誤更少。
但經驗豐富的工程師很快就發現了一件，從一開始就該很明顯的事。
寫程式碼，很少是軟體開發中最困難的部分。
真正的工作——占據資深工程師大部分時間和團隊大部分能量的工作——通常看起來是這樣子：理解那些不完整或互相矛盾的需求；在一個擁有多年歷史和決策痕跡的程式碼庫中研究解決方案；做出那些取決於思考是否周全，可能會複合成優勢、也可能會複合成技術債的架構選擇；處理累積起來的技術債；測試那些在規劃階段沒有人想到的邊界情況；審查實作的正確性、安全性和可維護性；在壓力下除錯生產環境的問題；維護總是稍微有點過時的文件；在對於正在建構什麼擁有不同心理模型的人們之間，協調複雜的專案。
工程生命週期的大部分，都發生在編輯器之外。
而這正是傳統的 AI 工作流程——那種「打開對話框→複製程式碼」的方法——開始徹底失效的地方。
為什麼 Claude Code 感覺與之前的一切截然不同
Claude Code 引入了一個根本上不同的概念，值得精確地說明，因為這個差異很容易被低估。
它沒有把 AI 當作你偶爾諮詢的助手，而是直接將 AI 置於工作流程之中，成為執行過程中的主動參與者。
這聽起來像是一個微妙的區別。但這一點也不微妙。
聊天機器人等待指令，然後回應。一個操作者則參與執行，並在你的實際環境中採取行動。這個區別，改變了開發者與工具之間關係的整個本質。
當開發者開始認真使用 Claude Code 時，討論的重點從「AI 能否寫出某個特定的函式」，轉變為「AI 能否處理一個完整端到端的工作流程」。一旦這個問題出現在你的腦中，你就不再將程式碼生成視為目標。你開始思考系統。而系統，正是工程領域中，真正的槓桿一直以來所在之處。
今天，從 Claude Code 中獲得最大價值的開發者，並非那些寫出最聰明個別提示詞的人，而是那些為它建立了最完善的系統的人。
瓶頸幾乎從來不是智慧
大多數人假設，當 AI 產出平庸的結果時，那是因為模型不夠聰明。這個假設導致人們不斷尋找一個更好的模型，一個最終能產出大家等待已久的成果的模型。
實際上，瓶頸幾乎總是上下文，而不是智慧。是上下文。
想像一下，你聘請了你能想像到的最優秀的軟體工程師，但不給他任何文件、專案歷史、編碼標準、先前架構決策的記錄，也不知道已經被發現並修復的錯誤。這位工程師將會非常掙扎。不是因為他能力不足，而是因為他在沒有任何背景資訊的情況下工作，而這些背景資訊正是讓能力發揮作用的關鍵。
AI 模型在每一次全新的對話中，都面臨著完全相同的問題，沒有任何之前對話的記憶。
這解釋了一件讓初次接觸的人感到困惑的事。兩個開發者可以使用完全相同的模型，卻得到看起來像是來自完全不同工具的結果。一個人得到的輸出真正有用且可以投入生產。另一個人得到的輸出平庸至極，需要更多的修正，甚至比原本手寫程式碼所需的功夫還多。
這個差異幾乎從來不是模型造成的。差異在於上下文管理。一個人給了模型運作良好所需的東西。另一個人則沒有。
這是關於認真地使用 AI 工作時，最需要實際理解的一件事之一。你並非只是在選擇一個模型。你是在建立一個能讓那個模型有效運作的環境。環境對輸出的決定性影響，遠大於模型本身的原始能力。
上下文正在成為新的基礎設施
大多數 AI 討論都集中在提示詞上，因為提示詞是可見的層面。它們是你輸入的東西。是你看到的東西。它們感覺像是你在控制的東西。
但提示詞只是表面。
在每一個持續成功的 AI 工作流程之下，都有一個龐大的基礎設施，而大多數人從未明確思考過，也幾乎從不公開討論這個基礎設施。
這個基礎設施包括：能在不同對話之間持續儲存資訊的記憶系統，而非每次都從零開始；能捕捉決策、標準和模式，並以模型可以參考的形式儲存的知識庫；能在正確的時機提取正確資訊的上下文檢索機制，而不會一次用大量資訊淹沒模型；能按正確順序安排任務，並讓正確的輸入在任務之間流動的工作流程編排系統；能在輸出進入下一個階段前，根據標準檢查它們的評估迴圈；能定義模型可以觸及範圍的安全控制機制；能在錯誤複合之前就捕捉到它們的驗證管線；能識別系統何時產出糟糕輸出，以便改善那些環節的效能監控機制。
這些系統，決定了 AI 對於一個工程組織來說，是會變得真正有用，還是始終只是一個昂貴的、能在展示時令人印象深刻、節省一些按鍵次數的自動完成引擎。
今天正在建立這些層面的公司和個人開發者，實際上正在打造 AI 時代的作業系統。他們不僅僅是在使用現有的工具，而是在建立下一代工具運行所需的基礎設施。
智慧體（Agentic）開發的崛起，以及它為何與優秀團隊的組建方式相似
這就是軟體開發未來的方向，如果你把它連結到一個直覺上已經合理的事物，就會更容易理解。
想想一個真正高效的工程組織是如何運作的。你不會只僱用一個人，然後要求他做所有事情。你會有專注於特定領域的專家：研究問題空間的研究員；做出結構性決策的架構師；在實作中發現問題的審查者；以產品導向工程師可能會忽略的方式思考可能出錯之處的安全工程師；測試假設是否與現實相符的 QA 工程師；讓系統對所有與之共事的人來說都易於理解的技術寫手；確保一切在生產環境中順利運行的運維人員。
同樣的模式，正在先進的 AI 工作流程中浮現。
一個設計良好的智慧體（Agentic）系統，今天可能會依序運作：一個「研究 Agent」在做出任何決策之前調查問題空間；一個「架構 Agent」根據研究結果設計結構性方法；一個「實作 Agent」根據架構規範撰寫程式碼；一個「測試 Agent」根據需求和邊界情況驗證實作；一個「安全 Agent」審查是否存在漏洞；一個「文件 Agent」記錄建立了什麼以及為何要建立；一個「部署 Agent」管理發布流程。
每個系統都有特定的職責。每個系統都專注於特定的問題。它們加在一起，行為不像一個聊天機器人，更像一個擁有明確角色和清晰交接機制的工程組織。
這就是為什麼最老練的 Claude Code 使用者，不再把大部分時間花在精心設計個別的提示詞上。他們把時間花在設計工作流程上。提示詞只是一個更大系統中某個階段的輸入。而那個系統，才是持續產出良好結果的關鍵。
記憶最終可能比模型能力更重要
這是大多數人還沒有認真對待的轉變，而我認為這將是未來幾年最重要的轉變。
模型正在快速進步，而最佳可用模型之間的差距正在縮小。頂尖模型之間的基準測試成績越來越接近，而不是越來越遠。主導討論的模型戰爭，正在圍繞著正在縮小的差異進行。
但記憶創造的複合優勢，不會縮小，它們會增長。
想想是什麼讓一位資深工程師，比起一位擁有相似原始智慧的初級工程師，具有真正的價值。是經驗。而經驗之所以重要，是因為經驗創造了記憶。記憶創造了關於什麼有效、什麼無效的直覺。直覺帶來了更快、更省力的更好決策。這些更好的決策隨著時間複合成更好的過往記錄和判斷深度，這是無法快速複製的。
沒有記憶，每個專案無論先前有什麼，都必須從零開始。每個錯誤都會重複，因為沒有它發生過的記錄。每個學到的教訓都會在會話結束時消失。每個曾經有效的工作流程，都需要在下次需要時重建。這是一個巨大的、在每個專案中無形累積的低效率。
這就是為什麼最有遠見的 AI 系統建構者，正重點關注那些能在對話之間攜帶上下文的會話持久性、能以可檢索形式捕捉模式和決策的長期記憶、能自我疊代而非每次重設的知識積累，以及能根據過去有效經驗來改善系統的工作流程演化。
真正到來的未來，不僅是更聰明的模型，而是能記憶並改進的更聰明的系統。複合優勢屬於那些率先建立這些系統的人。
大多數人完全忽略的隱藏層面
這是我在思考真正優勢所在時，不斷回歸的觀察。
今天，三個開發者可以使用完全相同的 Claude 模型。一個人得到平庸的結果，只比手寫程式碼好一點點。一個人得到優秀的結果，能有意義地加速他們的產出。一個人圍繞著這個模型建立了一整個軟體公司，並產出了在幾年前用任何規模的團隊都無法做到的東西。
這三個結果之間的差異，不是智慧。甚至不是努力，至少不直接是。是基礎設施。
越來越多的成功技術堆疊看起來像一個千層蛋糕：模型躺在最頂層，可見且被不斷討論；而底下的一切，才是實際競爭優勢所在。模型之下是記憶。記憶之下是工作流程編排。再下面是檢查輸出的評估系統。定義邊界的安全控制。消除重複步驟的自動化。將一切串聯起來的執行管線。
大多數人只關注最頂層。他們關注模型，因為模型是他們直接互動的對象，也是行銷強調的重點。
最高的槓桿，也就是目前正在建立最大優勢的地方，存在於所有可見層面之下的一切。
為什麼這一刻讓我想起雲端革命
這個類比值得認真看待，因為它在事後回顧時總是準確的，儘管在當下它總是看起來可有可無。
今天，大多數開發者將具代理性的工作流程視為一個有趣的實驗，或者一個有空時值得探索的生產力增強工具。這正是 2008 和 2009 年雲端運算的樣子。人們認為他們可以自己運行伺服器。那些早期在雲端基礎設施上建構的開發者，當時看起來像是在過度設計。然後雲端成了標準，而那些沒有做出轉變的人，突然之間落後了，而且落後到需要付出高昂代價才能糾正。
同樣的模式出現在版本控制、容器、持續整合和部署上。每一個基礎設施的轉變，起初看起來都像是一個對於有時間實驗的人來說，可有可無的生產力小技巧。然後它成為早期採用的組織的競爭優勢。再然後它成為預設的工作方式，其他所有人都在忙著追趕。
具代理性的開發正遵循著同樣的軌跡。今天它是實驗性的，只有少數對此異常興奮的開發者在使用。明天它將成為希望保持競爭力的工程組織的期望。早期採用能創造持久優勢的視窗，現在正敞開著，而且它不會永遠敞開。
開發者的技能組合，正在朝著一個特定的方向演變
在軟體工程歷史的大部分時間裡，成功與實作能力高度相關。你能多快寫出正確的程式碼？你對特定語言和框架的理解有多深？你能回憶並應用多少演算法？這些技能曾經極為重要，而且現在仍然重要。
但在未來十年，最高槓桿的開發者將越來越專注於一套不同的能力。
設計工作流程，以正確的順序、正確的輸入和輸出，安排 AI Agents 完成複雜任務；管理上下文，讓模型擁有良好表現所需的一切，而不被資訊淹沒；建立評估系統，在輸出被使用之前進行驗證；創造能積累知識並隨時間改進的記憶架構；協調各自專注於特定問題的專門化 Agents；定義驗證流程，在產出量增加時維持品質；構建能串聯成可靠自動化系統的執行管線。
這份工作正在從「建構東西」演變為「指揮智慧」，從「撰寫程式碼」演變為「設計產出程式碼的系統」，從「實作」演變為「編排」。
這對於「精通」的定義來說，是一個重大的轉變。那些及早認識到這點，並開始建立這些技能的開發者，他們的定位將與那些繼續優化老式工程卓越定義的開發者截然不同。
這會通向何處，以及它可能還有多遠
開發者與 AI 關係的演變，似乎正經歷幾個可辨識的階段。
第一階段是開發者使用編輯器，完全手動產出所有內容，工具僅負責組織和顯示程式碼，但不參與撰寫。
第二階段是開發者與一個 AI 助手合作，這個助手能回答問題、按需求生成程式碼並加速特定任務，而開發者仍然是主要的產出者。
第三階段，也就是最先進的實踐者目前所處的階段，是開發者與一個更接近 AI 團隊的東西合作。多個專門化的系統處理工作流程的不同部分，開發者負責指揮和審查，而不是直接產出每一個輸出。
第四階段，正在地平線上變得可見，是開發者與一個 AI 作業系統合作。這是一個完整的基礎設施，能處理研究、規劃、實作、測試、安全、文件和部署等整合功能，開發者扮演的是架構師和決策者的角色，而非執行者。
現在，大多數在職開發者介於第二階段和第三階段之間。向第三階段的移動正在加速。第四階段，可能沒有想像中那麼遙遠。
真正值得關注的事情
目前 AI 領域的大部分討論，都集中在模型戰爭上。Claude 對決 GPT。開源對決閉源。那些可能反映、也可能不反映真實世界表現的評測基準分數。
這些辯論很有趣，也並非完全沒有價值。但它們的重要性，可能遠低於參與討論的人所認為的程度。
更大的故事是，軟體開發本身正在變得具代理性。軟體是如何被建構的，其結構正在根本層面上發生變化，而不僅僅是在邊際上變得更快。
在那個世界裡，贏家不一定是有權使用最聰明個別模型的開發者。他們將是那些圍繞模型建立了最聰明系統的開發者。那些理解上下文管理比原始模型能力更重要的人。那些理解記憶能創造複合優勢的人。那些理解工作流程設計才是真正槓桿所在的人。那些理解編排智慧是一項比生成程式碼更有價值的技能的人。
Claude Code 之所以重要，不僅是因為它是一個工具，更是因為它是一個訊號。它是軟體工程在智慧變成可程式化的基礎設施、而非偶爾的諮詢時，最清晰的早期面貌之一。
一旦這個轉變完全到來，問題就不再是「AI 能不能寫程式碼？」。每個人都已經知道它能寫程式碼。
問題變成：完整的軟體開發生命週期，有多少部分可以被由那些懂得如何建立和運行 AI 系統的開發者所主導的、設計良好的 AI 系統所掌握？
這個問題的答案，每個月都在增長。而現在正朝這個答案前進的人，正帶著一項優勢在工作，這項優勢會安靜地複合增長，一旦它變得足夠大，就極難趕上。
我們仍然處於這個故事最早期篇章。未來兩三年所做的決定，將在之後很長一段時間內持續發揮影響。
