问题定义、架构决策、结果取舍。Cognition AI 及其研发的智能体 Devin 如何重塑软件工程的未来。作者指出AI 已经能够接管 90% 的底层执行工作包括编写代码和修复漏洞使人类工程师从琐碎的实现细节中解放出来。在这一范式转变下人的价值被重新定义为 定义问题、设计架构与进行决策 等核心判断力。通过将工程师的角色转变为“智能体团队的 CTO”AI 极大地放大了具备主动性、全局观和不确定性容忍度的人才产出。最终技术竞争的护城河不再是编程效率而在于谁能利用 AI 工具更精准地实现业务目标与创新边界。这种变革不仅显著提升了个体生产力也预示着超级个体与微型团队时代的到来。Cognition AI 的工程师已经很少亲自写代码了。因为这项工作已经被他们自己开发的 AI 接管。2024 年 3 月这家公司推出了全球首个 AI 编程智能体 Devin。创始人 Scott Wu 是三届国际信息学奥林匹克竞赛IOI金牌得主17 岁就曾拿下世界冠军。在这个顶尖的竞赛圈子里还走出了大批重塑当今 AI 行业的人才比如创办 Scale 的 Alexander Wang、Pika 创始人 Demi Guo以及 RLHF基于人类反馈的强化学习联合发明人 Daniel Ziegler。过去一年间Devin 已成功接入花旗银行、桑坦德银行、美国财政部等机构的真实业务环境。2026 年仅前两个月Devin 完成的代码交付量就已超越了 2025 年全年的总和。现在工程师只需投入 1 小时来指导 Devin就能产出过去 6 到 12 小时的工作量。当“写代码”这一核心工作被交给 AI 之后人的真正价值又在哪里第一节那 90% 去哪了Scott Wu 在访谈里说“过去做软件开发大约 10% 的时间用来思考要做什么剩下90%的时间都在处理实现的细节。”这 10% 包括理解问题、设计方案、决定用什么架构而那 90%是写代码、处理边界情况、修 bug、做迁移、实现所有琐碎的执行环节。现在那 90% 的活不用人干了。在 Cognition 内部工程师已经不再以写代码为主要工作方式。他们用自然语言描述需求智能体去实现、修改、测试。用 Devin 干 1 小时相当于过去人干 6 到 12 小时。拿产品经理来说过去需要去问工程师这个功能为什么这样设计那段代码是什么意思尤其是新人刚进公司有点紧张不敢问这些看起来很基础的问题。现在可以直接问 Devin。联合创始人 Russell Kaplan 提到Devin 不会嫌你问得蠢你问任何问题它都会给你答案还会把相关代码调出来给你看。而且 AI 能干的活已经远不止回答问题。有一个衡量 AI 编程能力的指标叫 SWE-bench测的是AI 能自己干多久活才需要人插手纠正。两三年前这个数字是 10 秒。AI 写完一行代码下一行就错了。现在Claude Opus 4.6 能连续工作 18 小时相当于完成过去 18 小时的人工量且全程无需人工干预。这一能力每年增长 4 到 5 倍大约每隔两三个月就翻一番。当那 90% 的活不用人干了之后过去那种靠动手能力拉开的差距正在被快速抹平。写得快、写得准、经验多这些过去的核心竞争力AI 都能做到。一个经验不足的人只要能把问题讲清楚也可以靠 AI 完成复杂任务。Russell 还提到一个细节在 AI 工具的使用上很多人的起点其实差不多。工具每三个月就会更新一轮之前的经验很快就过时了。相比之下那些没有太多老经验的人反而更容易适应这种新的工作方式因为他们不会被旧习惯卡住。过去人与人之间最明显的差距正在消失。第二节剩下的 10% 是什么当那 90% 的活不用人干了之后剩下的 10% 是什么Scott Wu 给出的答案很具体理解问题、设计方案、敲定架构。换言之在真正动手敲击键盘前工程师必须先想透三件事第一解决该问题的最优路径是什么第二当前场景下最合理的系统架构是什么第三我最终要实现的业务目标到底是什么以前想清这些只是第一步背后还有大量的执行工作要做。而现在执行层被彻底交给了 AI。但随之而来的新竞争法则是当工具门槛被拉平谁能更精准地定义“应该做什么”谁就构筑了真正的护城河。Russell Kaplan 曾在特斯拉自动驾驶团队工作马斯克的一句话曾让他受益匪浅“每个人都必须是总工程师Everyone is a Chief Engineer。”意思是你不能只懂自己负责的那一块必须理解全局系统是如何运转的。在自动驾驶团队里涉及感知、规划、控制等多个模块想要打造顶尖的系统就必须对每一部分都有精准的认知并深谙它们之间的协同机制。Russell 认为AI 时代的到来让这种“全局观”变得前所未有地重要。因为 AI 倾向于将整个系统串联起来进行全局优化过去各管一块的界限现在开始模糊。如果你只懂一块你没法判断 AI 给出的方案合不合理。Cognition 自身的招聘逻辑正是这一趋势的最佳注脚。传统科技公司在面试时往往严防死守候选人使用 AI生怕那是“作弊”。但 Cognition 恰恰相反面试提供数小时AI 工具随便用要求是候选人必须从零构建一个完整的产品出来。这几个小时内纯靠手写代码根本无法做完面试题目熟练调用 AI 成了必要条件。但面试官真正考察的绝不是“你会不会用工具”而是你认为究竟应该构建怎样的产品你在开发中如何做产品决策面对不同的技术路径你怎么权衡取舍这些需要极高商业与技术直觉的问题AI 无法替你回答。问题定义得越准确后续的开发落地就越顺利。架构想得越透彻AI 就越能完美贴合你的意图去执行。但在无数个分岔路口判断“哪个方案更好”的依然是人类。归根结底AI 并没有让软件工程变得更简单只是把难处从“怎么做”转到了“做什么”和“怎么选”。第三节谁会被放大这场范式转变注定不是每个人都能平稳过渡的。当 90% 的基础执行工作被剥离后人与人之间的能力差距不仅没有缩小反而被进一步拉大。在这里AI 扮演的是一个的“能力放大器”角色。它不再放大传统的代码执行力而是成倍放大以下三种特质第一样极致的主动性。Scott Wu 说Cognition AI 本质上是一个“构建智能体的推理实验室”他们真正看重的是员工的主动性与推理能力。什么叫主动性就是你能不能主动去做事情不依赖齐全的团队配置也不需要等别人告诉你该干什么。围绕目标不断往前走借助 AI 完成原本需要一个团队才能干完的活。在 Russell 看来那些主动性强的人更有优势。他们会思考“我能产生多大的业务影响”并凭借一己之力推动项目落地。第二样不做选择题。顶尖工程师群体中正在发生一个显著变化就是不再纠结选 A 还是选 B。过去受制于资源和精力技术决策往往是单向的。但现在最好的工程师会说“我们干脆同时跑跑看。”他们会将同一个难题拆解成多条路径分配给多个 AI 智能体并行测试再从结果中择优。同样是一天时间有人只是借助 AI 更快地做完了一件事而有人却在同时探索五六种可能并不断校准方向。前者提升的是单线效率后者拓宽的是创新边界。第三样对不确定性的高容忍度。很多工程工作过去是一门极其精确的手艺你要控制每一个细节。但现在你没法完全控制 AI 在做什么这会让人不舒服。但是如果你愿意接受一点不确定性只要最终能验证系统是否达标、能精准评估产出结果这就足够了。通向结果的具体路径不再需要被死死盯着。Russell 在特斯拉研发自动驾驶时有一句著名的口号“永远不要在 GPU 闲置的时候睡觉。” 当时的习惯是睡前启动大批机器学习实验醒来复盘结果。如今他把这种理念平移到了所有软件开发中“为什么要让 Devin 闲置着过夜你完全可以在睡觉时让它去跑批量的任务。”当这三种特质结合个体的生产力将呈指数级跃升。以一家受强监管的大型企业为例。他们日常会使用 SonarQube、Snyk 等工具进行严格的安全漏洞扫描。过去海量的报警日志让工程师疲于奔命。如今他们将报警系统直接接入 Devin让其进行首轮筛查与自动修复。结果显示Devin 在生产环境中成功处理了 70% 的漏洞警报。在这个过程中人类工程师的定位彻底蜕变。Russell 将这个新角色称为“智能体团队的 CTO”。你只负责定义问题然后启动你的 Devin 大军去干活最后由你来审查结果。按 Russell 的判断超级个体和微型团队即将迎来一轮大爆发。因为当执行成本大幅降低之后限制一个人的不再是资源而是他知不知道该做什么、能不能持续把事情推动下去。面对这场变革对于已经具备清晰方向和行动能力的人AI 会把这些能力放大好几倍。对于依赖固定流程、缺少主动推进能力的人即使拿着同样的工具也很难有质的变化。最终的差距不再源于工具的代差而在于驾驭工具的心智。结语答案很简单90% 的活交给AI之后人还剩什么本事三样问题定义、架构决策、结果取舍。这些过去只占 10%的工作现在成了全部。AI 没有让人变得更平均。它放大了方向感、决策力和推动事情的能力。谁知道该做什么谁就更有优势。原文链接90% 的代码交给 AI 后人还剩什么本事-36氪