作为一个写了十几年代码的工程师老兵这几年转型管公司后我亲手写代码的次数越来越少。本以为会逐渐远离一线开发没想到AI Agent的出现让我每天合并的PR比过去任何时候都多。过去两周我牵头用AI Agent重新梳理了公司多个部门的协作和沟通方式从售后到研发再到销售每一个环节都发生了肉眼可见的变化。这段经历没有标准答案却能给同样在探索AI落地的企业提供一个真实的实践样本今天就把这段复盘完整分享出来也聊聊我在这个过程中的思考和感悟。很多人聊AI第一反应就是“谁会被替代”但在我看来AI Agent带来的不是替代而是重构。它没有让某个人失业而是重新定义了公司内部的协作逻辑和沟通方式。过去信息在部门之间层层传递一件简单的事往往需要多个人接力完成中间环节越多信息损耗就越大响应速度也越慢。现在需求、代码、工单、会议记录开始逐步汇总到统一的上下文里一线拿到信息的人在AI的协助下就能更快地端到端推进事情不用再反复跨部门沟通、确认。这段时间的实践下来变化主要集中在三个方面。一是中间“翻译”环节明显减少过去销售对接客户的需求要翻译成产品语言产品再翻译成研发能懂的技术需求现在AI能直接打通这些环节让需求传递更精准响应速度也提升了不少。二是部门之间的“墙”开始变薄协作链路大幅缩短售后不用再频繁拉研发开会研发也能直接获取客户的一手需求不用再靠他人转述。三是售后、研发、销售不再是各自为战、单独优化而是被一条更完整的业务链路重新串联起来形成了闭环整体效率提升的同时客户体验也好了很多。不止是工程师更需要调整认知的是管理者这两年AI替代工程师的话题炒得很热很多人都在担心工程师的岗位会被AI抢走。但我反而觉得相比工程师企业经营者和组织管理者更需要尽快调整认知因为AI带来的不是某个岗位的变化而是整个组织架构、协作模式的重构。工程师其实正在经历一次非常明显的生产力提升尤其是在软件行业。医疗、法律、制造等行业AI虽然也在逐步渗透但还没有像软件行业这样直接深入到核心生产流程中。软件行业离这波AI变革最近也最先感受到它的力量工程师借助AI工具能快速生成代码、排查问题、撰写文档生产力翻倍增长。真正需要重新审视的是组织原本赖以成立的那套分工、协作和沟通方式尤其是三类主体需要重点关注。第一类是长期依赖标准产品和按席位收费的软件公司。过去按人头收费的模式支撑了很多软件公司的高增长预期企业需要为每个员工购买账号这是一笔稳定的收入。但当越来越多“用户”变成AI Agent企业账号可能从几十个缩减到两三个原本按人头收费的逻辑就会面临新的挑战如何调整商业模式适应AI时代的变化成为这类公司的当务之急。第二类是主要依赖技术壁垒和商业支持建立优势的软件公司。过去用户面对几百万行代码往往很难自己处理问题只能依赖软件公司的商业支持这也是很多软件公司的核心盈利点。但现在AI可以快速读取代码、测试用例、文档帮助用户补充功能、做适配甚至排查复杂问题原本的技术壁垒会越来越难维持单纯靠商业支持盈利的模式也需要重新思考。第三类是那些主要依赖信息传递、任务拆解和进度跟进来运转的组织角色。比如一些中层管理者日常工作就是传递上级指令、拆解任务、跟进进度协调各个部门之间的沟通。但AI把很多原本需要层层传递的工作打通之后这类岗位的职责边界就需要重新定义不能再停留在简单的信息传递和进度跟进上而是要转向更具判断力、决策力的工作。为什么公司沟通总要绕很多圈在AI普及之前一个客户需求的流转通常要经过多个环节销售和客户沟通了解客户痛点产品经理把客户痛点翻译成产品需求架构师根据产品需求拆解技术方案研发根据技术方案排期开发测试对开发成果进行验证最后由运维完成交付。这个过程中会经过很多层“翻译”每一层翻译都可能出现信息偏差导致用户想要的是A最后做出来的却是B而且往往要过很久才能发现偏差。很多人会疑惑为什么一定要分这么多部门让一个人从头到尾负责不好吗答案其实很简单一个人的精力是有限的。擅长和客户沟通的人未必擅长写代码擅长写代码的人未必擅长还原客户的真实需求擅长做产品设计的人未必擅长技术架构。所以组织把每个人放在更细分的分工位置上再靠流程、协作和沟通把这些环节串起来这套逻辑在过去几十年里一直是成立的也是提高效率的最优解。但AI的出现打破了这套逻辑。当AI能让一个工程师同时具备“懂客户、能拆需求、会写代码、能写测试、能写文档”的能力时部门之间的分工就不再是必须的那些厚厚的部门墙第一次有机会被真正削薄。谁能拿到客户的一手信息谁就更有可能减少中间传递环节端到端把事情做完。为什么软件行业最先发生这种变化因为软件天然拥有大量的开源资产确定性更强结果也可以被验证。只要给AI足够清晰的输入比如代码、文档、日志等它就能给出可复现的输出帮助工程师快速完成工作。而其他行业要么缺乏足够的数字化资产要么不确定性太强AI很难快速发挥作用所以暂时还没有这么明显的变化。重构第一步从售后切入用案例打破信任壁垒我们重构公司协作方式的第一步选择从售后部门切入。原因很简单售后是公司里最值得优先优化的环节客户压力大公司压力大售后团队自身的压力也最大。跨时区陪客户复现问题是常态一个简单的问题定位两三天很常见复杂一点的甚至会拖上两个月。遇到难题售后还要频繁拉研发一起排查既占用售后的时间也影响研发的正常开发进度。先说说重构前的售后流程客户提交工单后售后会先收到告警然后和客户预约沟通时间沟通后拉取客户的系统日志尝试复现问题如果复现不了就需要拉研发开会讨论讨论完再约客户沟通反复循环效率极低。重构后的流程就简洁多了工单进来后会自动同步成一个GitHub Issue同时带上客户的产品版本、运行环境、系统日志等完整上下文不用售后手动整理。接着AI会先做一轮静态代码分析它可以同时读取数据面、控制面、前端等四五个仓库的代码这是单个研发很难同时做到的。通常情况下AI会在十分钟内给出初步报告售后团队判断可以直接回复客户的话点一下就能把报告发给客户不用再手动组织语言。如果问题比较复杂AI会自动按照客户的产品版本 checkout 代码、搭建运行环境根据日志复现问题半小时内就能给出深度报告明确问题的可能根因和解决方案。这个流程听起来很理想但刚推的时候售后团队其实半信半疑毕竟大家习惯了过去的工作方式对AI的能力还有所顾虑。为了打破这种信任壁垒我们挑了一个团队前前后后花了很长时间都没搞定的老问题CTO、架构师都参与过排查始终没定位到原因大家基本已经放弃了。我们把这个问题的所有上下文包括日志、代码、客户反馈等都交给了AI。没想到AI很快就通过静态代码分析指出了问题的根因错误日志的体量很大而真正触发系统崩溃的那条日志出现在崩溃前很久的一个时间点人工排查时很容易忽略那个时间段的日志所以一直找不到问题所在。我们按照AI给出的分析对代码做了简单修改问题竟然直接解决了。从那之后售后团队就再也没怀疑过这个新流程主动配合推进AI Agent的落地售后效率也得到了质的提升过去需要两三天才能定位的问题现在基本能在一小时内给出解决方案跨部门沟通的次数也减少了80%以上。这里有一个很深的心得AI重构最大的阻力往往不是技术而是人的信任。很多时候不是AI做不到而是大家不愿意相信AI能做到。最有效的办法不是反复宣讲AI的优势而是找一个真实的、大家都解决不了的案例让团队亲眼看到AI带来的变化信任自然就建立起来了。重构第二步研发转型从亲自写代码到把关AI写代码售后部门的成功给了我们很大的信心紧接着我们就把重构的重点放在了研发部门。过完年第一天我就给所有研发开会明确了三条新的工作方式强行推动研发团队适应AI时代的工作节奏。第一条公司统一报销最好的Claude Code / Codex套餐尽量让团队先用上最强的AI工具不用大家自己承担费用消除工具使用的门槛。第二条命令行Agent优先轻量补全类的IDE工具只作为辅助因为命令行Agent能更全面地整合上下文效率更高。第三条优先让AI生成代码初稿人负责设计、审查和决策把工程师从重复的编码工作中解放出来专注于更有价值的设计和判断。大家的第一反应都是不适应尤其是经验丰富的老工程师他们习惯了自己亲手写代码觉得AI生成的代码不够严谨、不够高效甚至有人觉得“让AI写代码就是否定自己的能力”。其实这很正常长期形成的工作习惯很难快速改变除非大家亲眼看到效率的提升否则很难真正接受。经过两个多月的磨合现在研发团队的工作流程已经完全适应了新的模式具体可以分为四个步骤。第一步售前团队写一份详细的PRD包括竞品调研、需求背景、现有代码定位等内容把所有上下文都喂给AI让AI充分了解需求。第二步每日站会分配任务分配任务的标准不再是“谁来亲自写代码”而是“谁最懂这块业务、最适合把关”毕竟代码由AI生成把关才是关键。第三步AI Agent根据PRD生成代码、提交PR整个过程不用工程师干预AI会自动处理代码格式、注释等细节。第四步每个PR至少要经过四轮Review分别是GitHub Copilot一次、一个外部Code Review服务一次、两个工程师各一次确保代码的质量和安全性。更高效的是Review过程中留下的comment原Session的AI会自动读取然后一条一条尝试修改。比如工程师评论“方案不够合理再调研一下”“测试覆盖不够补上相关测试用例”AI会自动根据这些评论优化代码不用工程师再手动指导。很多时候凌晨两三点AI还在持续优化代码一个Session会一直持续到PR被合并为止。团队后来半开玩笑地说自己从“码农”变成了“码监”主要工作就是监工AI写代码审查AI生成的代码做出关键决策。这种转型带来的变化也很直接过去一个版本只能带十来个功能现在可以带更多功能过去一周只能合并五六个PR现在一天就能合并五六个PR。发布速度的瓶颈也从“写代码”慢慢变成了“人Review”这也意味着工程师的核心价值已经从“编码能力”转向了“判断能力”。重构第三步销售升级让AI当专属销售教练解决了售后和研发的问题后我们把目光投向了销售部门。我们公司的销售有点特殊大部分本身就是技术很强的人毕竟我们的客户主要是架构师和CTO技术专业度是建立信任的重要基础。但这类“技术型销售”也有一个共性问题一聊技术就容易越聊越深整场会议下来聊了很多技术细节却没有把客户的真实业务问题谈透。做ToB销售的人都知道一条重要经验如果没有把客户的真实问题谈清楚后续的推进通常会很慢甚至会出现客户需求理解偏差导致后续工作白费。所以我们决定用AI Agent给销售团队配备一个专属的“销售教练”帮助他们提升沟通效率精准把握客户需求。我们制定了一套简单的规则首先尽量保留所有客户会议的录音工具不限只要能清晰记录会议内容即可。其次会议结束后“销售教练Skill”会自动拉取录音对会议内容进行复盘打分分析销售在沟通中存在的问题比如“技术细节过多业务问题未深入”“未挖掘客户潜在需求”等然后把复盘结果同步到内部群让整个销售团队都能学习借鉴。如果复盘结果显示销售对客户的了解还不够充分准备还不够到位就先用AI多练几轮模拟和客户的沟通场景把关键问题补齐再推进下一次沟通。除此之外AI还会做对手推演模拟目标公司CTO、架构师、采购等不同角色的视角推演他们内部可能怎么讨论我们的产品分析他们的顾虑和需求再反推我们下一步怎么做更有效。这件事在过去是很难做到的你很难准确判断一家陌生大公司的CTO会怎么想他们关注的重点是什么顾虑是什么。但AI的知识面足够广它可以结合目标公司的背景、CTO的个人履历、公开演讲等信息做一个相对接近真实场景的模拟帮助销售提前做好准备精准应对客户的疑问。这里要强调的是AI扮演的不是销售的助手而是教练。它用同一套标准帮助整个销售团队持续提高沟通能力避免出现“有的销售能力强有的销售能力弱”的不均衡情况让整个销售团队的专业度都能得到提升。经过一段时间的实践销售团队的沟通效率提升了不少客户需求的理解准确率也大幅提高后续推进的速度也明显加快。核心架构GitHub成了新的协作中枢在推进这一系列重构工作的过程中我们形成了一个最重要的架构判断那就是把公司的一切都迁到GitHub上。过去我们的协作平台、迭代管理、客户工单、CRM等分散在不同的工具上信息不互通AI Agent很难快速获取完整的上下文协作成本很高。现在我们对所有工具进行了整合具体的调整如下过去用协作平台文档现在换成GitHub Wiki / Issue过去用专门的迭代管理工具现在用GitHub Projects过去用专门的客户工单系统现在用GitHub Issues过去的CRM系统现在用GitHub Issues通过定时任务同步客户动态过去的定时服务现在用GitHub ActionsAI Skill / Prompt则存放在GitHub Repo中方便团队共享和优化。这么做的原因很简单AI Agent要能无障碍地读到所有代码、测试用例、文档、工单、客户历史、会议录音等信息上下文越完整AI的输出就越精准协作成本也就越低产出也越好。这件事没有捷径只有把所有信息整合到一个统一的平台上才能让AI Agent发挥最大的作用也才能真正打通各个部门之间的信息壁垒实现高效协作。事实也证明这个决策是正确的。自从把所有信息迁到GitHub上后AI Agent的响应速度和输出质量都有了明显提升各个部门之间的沟通成本也大幅降低大家不用再在不同的工具之间切换就能获取自己需要的所有信息工作效率提升了不少。开源视角AI带来的新挑战与新思考我们公司本身就是做开源的所以在推进AI Agent重构的过程中也深刻感受到了AI给开源行业带来的新挑战。这些挑战不是否定开源的价值而是提醒我们过去那种主要依赖License建护城河的开源商业模式确实需要被重新审视了。第一个挑战是License的约束力越来越弱。过去大公司即便想尽量少付出额外成本多少还会顾忌License的约束不敢随意修改开源代码、规避开源协议。但现在AI能把开源代码读懂然后改写成“API一样、实现不一样”的版本这里面的边界会越来越模糊License的约束力也会随之减弱开源项目的知识产权保护面临新的考验。第二个挑战是商业支持的价值被削弱。过去客户遇到问题搞不定的时候会直接购买开源项目的商业支持服务这也是很多开源公司的核心盈利点。但现在AI能帮助客户自己处理很多问题比如排查代码bug、补充功能适配等客户会觉得很多问题自己也能先处理一部分对商业支持的需求会减少这会直接影响商业支持的价值感知开源公司的盈利模式需要重新调整。第三个挑战是贡献回上游的动力下降。过去很多团队使用开源项目时遇到问题会自己修改然后把修改后的代码贡献回上游帮助开源项目优化完善。但现在AI能帮助团队快速修改代码满足自己的需求很多团队未必还会第一时间选择回馈上游这会影响开源项目的迭代速度和质量也会破坏开源社区的生态。第四个挑战是安全问题更早暴露对社区的响应能力提出更高要求。我们最近一个版本中有相当一部分功能都在修复安全问题这些安全问题很多都是AI帮我们发现的都是之前人工排查没有注意到的风险点。但问题在于开源维护者本身不一定是安全专家也不一定总有足够的精力快速处理这些安全问题而原本只有少数资深研究员才能挖到的安全漏洞现在会被更多人更快发现这对开源社区的响应速度和处理能力提出了更高的要求。我不是在否定开源的价值开源依然是软件行业发展的重要动力。但AI的出现确实让开源行业面临了新的挑战我们需要重新思考开源的商业模式重新构建开源社区的生态才能在AI时代持续发展。人与人的差距判断力成为最稀缺的资产AI Agent出现后还有一个很明显的变化那就是人和人的差距可能会被进一步放大甚至扩大到过去很难想象的程度。在AI出现之前顶尖工程师和刚入门工程师之间的生产力差距当然存在但总体还比较有限。因为人要睡觉、要吃饭精力有上限即便顶尖工程师再厉害一天能写的代码、能解决的问题也是有限的而刚入门工程师只要努力也能慢慢追赶。但AI出现之后这种差距就被彻底拉开了。AI可以24小时不间断工作不用休息不用吃饭只要有足够的上下文就能快速生成代码、排查问题。对顶尖工程师来说AI是强大的助手能帮他们解决大量重复的工作让他们有更多时间专注于设计、判断等更有价值的工作生产力会得到指数级提升而对刚入门的工程师来说AI虽然能帮他们快速生成代码但也让他们失去了很多实践的机会很多坑如果都被AI先填平了人反而更容易缺少第一手经验很难建立自己的判断力。所以对初级工程师来说最大的挑战不是会不会被AI替代而是在AI提供答案的同时如何继续建立自己的判断力。不能只依赖AI给出的答案还要多思考“为什么AI会这么做”“有没有更好的方案”多动手实践积累经验才能在AI时代立足。相反有经验的架构师会迎来更大的发挥空间。架构师的核心价值不是写代码的能力而是判断力——知道这件事该不该做、优先级在哪、几个方案里哪个trade-off更合理、什么样的东西适合上生产这些判断能力不会因为AI的出现而贬值反而会变得更加重要。现在我招聘和培养员工时相比单纯的编码能力我会更看重那些有经验、能做关键判断的人。因为编码能力可以被AI替代但判断力不行它需要长期的经验积累和深度思考是AI很难复制的也是这个时代最稀缺的资产。小公司的机会敢推翻自己才能抓住AI红利在这波AI变革中小公司其实有天然的优势。大公司组织庞大流程固化想要推进整体的协作重构难度很大需要协调各个部门、各个层级推进速度会很慢。而小公司组织灵活没有那么多固化的流程和利益纠葛只要最高层下定决心就能快速推进变革抢占先机。组织的竞争力无非两样东西品牌或者效率。对小公司来说品牌影响力通常不如大公司所以效率就是我们的核心竞争力。如果我们能借助AI Agent把效率提升10倍、100倍而竞争对手还停留在传统的协作模式上那么两者之间的差距就会非常明显小公司也能在激烈的竞争中脱颖而出。但这里有一个关键前提这件事必须由公司最高层亲自推动才能更容易形成统一动作。AI重构不是某个部门的事而是整个公司的事需要售后、研发、销售、产品等所有部门协同配合。如果只有研发配合测试、运维、产品不配合那么重构工作也很难推进很难达到预期的效果。另外一线团队面对新的工作方式通常都会比较谨慎很多人感受到的效率提升只有20%到30%这往往是因为AI还只停留在局部补全层面没有真正融入到整个工作流程中没有对流程进行重构。真正的变革不是把现有流程优化30%而是重新设计流程本身重新组织人与人、人与AI之间的协作和沟通。如果只是局部提效很难形成真正的组织优势也很难抓住AI带来的红利。所以这件事如果没有CEO亲自推动没有下定决心推翻过去的传统模式往往很难在组织层面真正落下去也很难实现真正的效率提升。AI时代我们该如何自处主动蒸馏自己AI Agent时代真正的含义是每个人都在成为Builder每个人都能借助AI工具快速实现自己的想法创造价值。那么我们作为工程师、作为管理者该做些什么才能在这个时代立足不被淘汰呢我的答案是主动蒸馏自己。所谓蒸馏自己就是把自己的经验、判断、方法提炼成可复用的Skill让它们在自己不在场的时候依然能发挥作用。我现在做的就是把自己Review代码的视角、打分销售会议的标准、拆解需求的路径一个一个写成Skill交给AI Agent让AI能按照我的判断和方法去工作。比如我Review代码时会重点关注代码的安全性、可扩展性、可读性我就把这些判断标准写成SkillAI Agent在Review代码时就会按照这个标准去审查和我的判断保持一致。如果你只是把自己定义为某个技术点上的执行者每天重复写代码、做重复的工作那么这部分能力很快就会被AI商品化很容易被替代。如果你你的工作主要停留在信息传递和流程转发没有自己的判断和思考那么这部分价值也会被AI重新定义岗位也会面临风险。但如果你是有判断力的架构师是有丰富经验的管理者能把自己的判断力、经验沉淀成可复用的Skill那么你就会成为组织里更关键、也更稀缺的那批人。因为这些沉淀下来的东西是你长期经验的积累是AI很难复制的也是组织真正需要的。真正拉开人与人差距的不是会不会用AI而是能不能把自己的判断、经验沉淀成可复用的方法。AI只是一个工具它能帮我们提高效率但不能替代我们的判断和思考。只有主动蒸馏自己把自己的核心能力沉淀下来才能在AI时代持续创造价值不被淘汰。最后的建议亲自尝试比盲目跟风更重要以上这些观点未必都对很多也还需要时间验证。毕竟AI Agent还是一个新生事物我们也还在不断探索、不断调整没有现成的标准答案。重要的不是直接接受我的结论而是带着你自己的业务上下文亲自去尝试、去思考找到适合自己公司的AI落地方式。我的建议是今晚就装一个Claude Code或者Codex拿你们业务里一个最大、最复杂的功能去试。不用追求完美不用害怕失败只要把需求描述足够清楚你就会发现在很多明确的场景下AI给出的代码、测试用例和文档已经足以让你重新认识现在公司的协作和沟通方式。AI带来的不是颠覆而是重构重构我们的工作方式、协作模式也重构我们的自身价值。与其害怕被AI替代不如主动拥抱AI学会用AI工具提升自己沉淀自己的核心能力。只有这样我们才能在AI时代抓住机遇实现自身和组织的共同成长。