——当 AI 开始写软件，我们在寻找一种新的“文明秩序” 2025–2026 这一年，写代码的方式在自己和周边同事身上发生了系统级的迁移。AI 不只是帮我们省时间，它把“程序员=手握特定技能”的逻辑整个打散：组织不再按“你会什么语言”来配置人力，而是按“谁能把问题定义清楚、能 orchestrate AI”的能力来排班。与此同时，围绕知识库、生产资料、生产关系的争论也从会议室延伸到每个个体：我到底是在“AI 提效”，还是在参与一场工程文明的改写？
在这个过渡期，我被迫重新学习怎么定义工作、怎么构建个人知识库，也见证了一批还停留在 prompt vibe coding 的朋友，被新范式一次次“震撼教育”。我尝试写下这些体感，试图回答：这些范式更迭背后的共性机制是什么？它们如何决定下一代 AI 工程的分工、责任与护城河？信息差、知识库、生产关系在这个链路里又意味着什么？
现象： 过去我们靠“我会什么”来定价，如今更常被问“你想做什么、愿不愿意对结果负责”。AI 让知识供给接近零边际成本，idea 和 orchestrate 能力反而决定了一个工程师的杠杆。
机制： 组织在重排角色：一端是少量负责定义问题、维护知识库、对齐业务的 orchestrator，另一端是 AI+agent 组合完成 80% 的实现。中间的“我擅长某门语言”这一层正在塌陷。
后果： 个人必须把“技能树”改写成“问题建模 + 资源调用 + 约束管理”的组合，否则会被迫在无限供给面前降价。
现象： “你会什么”正在变成一个无效问题——最常见的对话变成了“你想做什么”“你能把目标讲清楚吗”。我在团队里调度 AI 的时候几乎不考虑成员是否掌握某门框架，因为 AI 会在 3 秒内补全；真正的瓶颈在于谁能给出有价值的 idea、谁能沉淀一份能直接驱动 AI 的结构化指令。
机制：
现象： 第一次尝试“全程 prompt 开发”时，产出速度是过去的 5 倍，同事坐在旁边看着一段登录逻辑在 30 秒内生成，震惊是真实的。任何需求丢进对话框，都能换回成吨可执行的代码，仿佛一位永不疲倦的极客伙伴。
机制： 这种高效来自完全开放的语义空间——AI 在没有约束的条件下做概率性猜测，输入不成体系，状态没有定义，边界靠直觉。换句话说，我们把工程问题变成了语言迷信：它能给出漂亮答案，但无法保证一致性。
后果： prompt 越随意，输出越漂移；修复一个 bug 可能连带重写半个模块；团队很难复盘“为什么这次能跑通、下次却崩了”。Vibe coding 的黄金期让我们看见了“AI 能力的上限”，也暴露了“工程治理的缺位”。这和每个人跟 AI 对话的方式也有很大差别，工程师往往是给定确定需求，一步一步实现的角色，当给AI提需求，要求AI实现什么东西的时候，表达不清真实意图成了致命的问题。在这一阶段，写的最多的不是代码，而是提示词，中文。很多非技术人，不懂代码的都可以跟AI唠上两句实现个小工具，demo页面。
现象： 崩溃几次之后我开始倒推“为什么同一段需求第二天写不出来”，答案指向流程缺失。6A（Align、Architect、Atomize、Approve、Automate、Assess）把 prompt 对话拆成六道关卡：先对齐业务，后出架构，进一步原子化任务，再审批、执行、验收。
机制： 这套流程本质上把“人机协作”转译成“微型生产线”：每一道工序都是一个屏障，迫使 AI 在更小的语义空间里工作，减少它的猜测自由度。人类的角色从“自己动手写”转为“定义约束、拆解目标、审核交付”。
阶段1: Align (对齐阶段)
目标: 模糊需求 → 精确规范
阶段2: Architect (架构阶段)
目标: 共识文档 → 系统架构 → 模块设计 → 接口规范
阶段3: Atomize (原子化阶段)
目标: 架构设计 → 拆分任务 → 明确接口 → 依赖关系
阶段4: Approve (审批阶段)
目标: 原子任务 → 人工审查 → 迭代修改 → 按文档执行
阶段5: Automate (自动化执行)
目标: 按节点执行 → 编写测试 → 实现代码 → 文档同步
阶段6: Assess (评估阶段)
目标: 执行结果 → 质量评估 → 文档更新 → 交付确认
后果： 经过 6A 训练的团队，日常开发中 60%–70% 的重复性实现可以交给 AI 完成，剩余 30% 成为工程师的判断场。效率确实提升了，但它仍然高度依赖“人肉审批”维持秩序，流程刚性高、跨团队难以复用。6A 让我们第一次意识到：AI 不是魔法工匠，它是需要流程托举的执行器。
| 传统痛点 | 6A解决方案 | 效果 |
|---|---|---|
| AI偷懒不认真 | 强制按流程走，每步都要文档 | 质量提升80% |
| 需求理解偏差 | 多轮澄清，形成共识文档 | 返工率降低90% |
| 复杂任务崩溃 | 任务原子化拆分 | 成功率提升95% |
| 没有设计文档 | 架构阶段必须输出设计 | 后期维护成本降低70% |
| 修改困难 | 模块化设计，影响面可控 | 迭代效率提升3倍 |
| 团队协作混乱 | 完整文档体系，可追溯 | 交接时间减少80% |
现象： 后来又尝试过阿里的 Qrder / iFlow、腾讯 TCB AI toolkit、微软 Copilot Workspace，发现它们都在做同一件事——AI 不直接写生产代码，必须先生成可追踪的、可沉淀的文档，包含需求、方案、 spec、审批链路、回滚计划。
机制： 组织需要把 AI 的输出转化为“可问责的工件”。工单化让每一次调用都有来源、上下游和归档，避免“模型私自改代码”带来的合规和安全风险。流程被嵌入 CI/CD、权限、审计系统中，AI 被视作生产线的一环，而不是浪漫搭档。
后果： 谁先把 AI 纳入治理链路，谁就能规模化放大效率；谁还停留在“个别高手的 prompt 技巧”，谁的组织就注定失去可复制性。这一步把“AI 工程”从个人实验彻底拉进了企业内控的视野，也为下一阶段的 SDD 铺好了基础设施。
现象： 当我们开始以半结构化的 spec 描述状态机、接口、错误码、时序，再交给 AI 落地实现时，第一次出现“不需要催、不用猜，代码一次写对”的体验。Spec 像一张施工图纸，AI 按图施工。
机制： SDD（Spec Driven Development）把自然语言需求转译成“机器可执行的世界模型”。Spec 中定义的允许/禁止状态、输入输出、边界条件，就是 AI 的“法律条文”。模型不再靠补全猜测，而是在一个封闭语义空间内推导实现。
后果： 一旦 spec 成为交付物，代码只是派生物。团队可以在 spec 层完成协作、审计、仿真；AI 的可控性、可复现性、可回溯性得到根本保障。也就是说，工程竞争力从“写得快”迁移到“spec 表达得准”与“世界建模能力”。
现象： 很多人怀念 vibe coding 的自由，但只要团队规模、项目复杂度、AI 能力上限任何一个变量上升，就不得不走向流程与 spec。
机制：
我越来越能在一线项目里看到这条链路成型：业务首先以 spec 构建“世界定义”，再由 agent 执行，实现完成后进入 simulation（自动化验证、灰度回放），最后才是真正部署。
Spec 在这里不再是文档，而是运行时资产——它记录了边界、状态、物理规则；AI 在这个世界里写代码，就像在稳定宇宙里点亮新的星群。
这比早期 vibe 更宏大，也比 6A 更自由，因为自由来自秩序之后的再创造。
现象： 信息差依旧顽固存在。到 2025 年底，我身边仍有大量工程师没真正体验过 AI coding 的威力，甚至停留在“随手丢 prompt、看运气”的 vibe 阶段；不少团队还在把知识关在个人脑子里，没有任何可复用的 spec 或知识库。与此同时，硅谷裁员浪潮蔓延到国内——很多人以为是经济周期，其实是生产关系已经换了引擎，可他们还在旧轨道上加速。
机制：
回望这一年自己身上的变化，vibe coding 让我们亲手触摸“AI 能力极限”，6A 让我们学会构建可控实验场，SDD 则要求我们为 AI 写下法典。自由令人兴奋，秩序令人压抑，但两者缺一不可。未来真正稀缺的，不再是“谁写得快”，而是“谁能把世界定义得更准确、把知识沉淀得更可靠”。我们写下的每一条 spec，都是在混沌数字世界里铺设的一块地基。等森林长成的时候，我们会感谢自己在看似繁琐的结构里，守住了文明的方向。