AI编码时代开发者角色向工程负责人方向的演变

🚚 Jadi Gogo 一天四百多个提交到底在干嘛？💩 这些都是垃圾提交吗？💾 是存个文件就提交一次？📊 真的出成果吗？

2025年初，所有人都还在用 Cursor/Windsurf。AI 写代码，我们做审查。我们逐行检查代码。任何合并进 main 分支的内容我们都会盯紧。

那时候我们的角色就像中级/高级工程师，帮实习生前端工程师把把关，同时偶尔自己研究一下关键模块，那些我们不太放心交给初级工程师或实习生的部分。

然后到 2025 年底，Claude 4.5 发布。Claude Code 开始获得大量关注。这时候我们的角色转变为高级/主任工程师。写代码已经变得像呼吸一样自然。我们甚至不用专门去想它。编码只是达成目标的手段。我们开始从系统层面思考，而不是从代码层面。

然后到 2026 年初，出现了 harness engineering、loop engineering，最后还有 graph engineering。这时候我们开始做 TLM、工程经理，再到高级工程经理的工作。直接管理智能体团队。派他们做功能，派他们完成重构，派他们做迁移。

我个人现在做的是工程总监（Engineering Director）的工作：
- 我们决定哪些指标是重要的。延迟？成本？激活？用户注册？
- 要用什么工具？有没有功能开关？允许持续部署还是一天部署一次？CI/CD 呢？
- 我们允许用什么方式调整指标？TDD 够用吗？可以给终端用户做实验吗？
- 防护规则是什么？什么事情不能做？可以给生产环境用户做测试吗？给内部用户测试全部开放吗？还是说老板是混蛋，所以除了老板之外给所有内部用户发布？
- 如果规则出问题了怎么办？回滚吗？如果出问题了，我们为了用户体验隐藏错误，还是把大红错误摆出来让我们能快速修复？哪个产品部分出问题是致命的，哪个部分出问题无所谓就这样了。

- 怎么把产品从 80 分推进到 99 分？AI 可以快速做出 80 分的产品。UI 很漂亮。可以用来展示，适合做演示，让人相信“我两周就能做出来，凭啥你要两年？”但 business 需要可靠性，需要稳定的好结果，需要治理。而且我们没法直接从 80 跳到 99。需要迭代。需要处理那些大量藏在细节里的边缘场景，这些只有产品上线跑起来之后才会暴露。需要想到之前开发阶段没考虑到的新指标。需要想清楚哪些是所有人都用的通用场景，哪些是只针对特定人群的特定问题。

所以现在什么才是重要的？
- 理解指标：业务指标、产品指标、工程指标
- 找到真正能驱动业务增长的杠杆和指标，就像《从优秀到卓越》这本书里说的
- 打通现代工程实践（Modern Engineering Practices）：可观测性、部署与发布解耦、功能开关、部署前置时间、CI/CD
- 规则要匹配行业、组织、公司所处阶段、管理层的风险承受度
- 方法和实现要灵活，但对结果、指标、验证要严格

就是做工程总监的工作。那还会继续进化吗？会到 VP of Engineering 和 CTO 级别吗？说实话，我还不知道。

VP 和 CTO 的工作是定流程、文化、招聘流程、招聘标准、晋升、奖惩、技术标准、技术投入。AI 需要这些吗？到目前为止好像不需要。但未来最终可能，我们的任务不是做智能体，而是招聘已经训练好、在特定领域有强大专长的现成智能体。所以我们的任务就是搭建适配我们业务的组织。

所以回到开头问题的答案：
🚚 一天400多个提交很正常，因为我把我的 AI 当成多个产品小组在运营。我是工程总监，不是经理，不是技术主管。
💩 不是，每个提交都是一个完整功能或是一次实验。
💾 不对。我一天通常开12个会话。每个会话生成一个智能体，这个智能体通常会生成10-15个子智能体。每个子智能体要么做研究、检查基础、产出成果（编码、产物），要么做验证（测试结果、截图、视频）。
📊 所有会话都有对应指标 ⬇️
- 成本节约（从 Claude 转到 Deepseek，LLM 成本从每月$60k降到每月$1500）
- 延迟（TTFT 从60秒降到3秒）
- 可靠性交付率从 60% 升到 99%
- 转化率（用户激活率从 20% 升到 50%）
- 付费转化（从 0.8% 升到 2%）

这套逻辑也适用于工程之外的职能。我们可以自己做市场总监、运营总监、财务总监。但我不确定现在已经到 CMO、COO、CFO 级别了没有，我觉得还没到。

这有一串相关的讨论，关于现代工程实践、有哪些杠杆、要怎么落地

谁说印尼人不爱分享知识？可能因为我不是印尼人 #哦等

一开始用 Pro，之后换成 Flash 因为有最新升级。等 Pro 更新之后又会换回 Pro。

我做了这么一层抽象：
Fast model
Thinking model
Visual model
Video generation model
Image generation model

然后做成级联，从主模型降级到后备模型。

举个例子：我现在的 Thinking model 后备链是这样的：
Deepseek Flash 4 -> Minimax M3 -> Kimi 2.6 -> Gemini 3.5 Flash -> Opus 5