最近，關于 AI 能否讓工程師功率提高 10 倍、乃至 100 倍的評論越來越火爆。各種夸張的說法漫山遍野，讓不少開發者既振奮又焦慮：究竟是真的“生產力騰躍”，仍是僅僅炒作噱頭？一線開發者 Colton Voege 在試用了多款 AI 輔助編碼東西后，得出自己的觀點：許多言過其實的 10 倍功率說法，要么是出于出資和商業利益的宣揚，要么是管理層制作焦慮的手法，實在來自一線開發者的實在體會其實更平平。

在他看來，AI 是一個有用的東西，但并不是推翻一切的生產力魔法。工程師應當信賴自己的節奏，既不用由于沒用 AI 而焦慮，也不用為了“更高功率”獻身作業趣味。

幾個月前，我閱歷了一段情緒低落期。盡管我一向對自己作為工程師的才干很有決心，但每次刷 LinkedIn、Twitter 等交際媒體的內容時，總覺得自己的技能落后得沒救了。網上各種說法都讓我感覺，工程師現已不再是簡略地敲代碼了。那些“實在的工程師”功率比我高十倍、乃至百倍。我寫這篇文章，便是想幫幫也有相似焦慮的朋友們。

我本來是個置疑主義者，聽到這種說法一般都會翻白眼，就像有人跟我說什么草藥能治百病相同。但現在滿天飛的“10 倍工程師”傳言，開端讓我有點坐不住了。會不會我錯了？假如我不立刻學會用 AI，是不是就會被年代篩選，找不到作業了？究竟現在網上說的“AI”和我之前了解的徹底不相同。

他們用的是那種 Agentic AI——能自己上網查資料、跑測驗、糾正過錯的“會考慮”的模型。當然，我偶然會打開聊天窗口，讓 AI 寫點代碼，然后拿到創意就丟掉大部分內容。但這些人是讓 Claude 這類東西全權控制，有智能署理幫他們一起搞五個兼并懇求，自己還悠閑地喝早咖啡。

所以，我是不是快成了個“滅絕的恐龍了”？

讓我焦慮的部分原因，是我覺得 AI 或許現已悄然晉級了，而我卻徹底沒注意到——究竟我用 AI 的次數很少，也不怎樣喜愛用它。究竟我不太喜愛檢查 AI 生成的代碼，那會不會正是我對編程的樸實酷愛，讓我或許被落下了呢？

試著上手

總算有一天，我不由得深化體會一下 AI 編程究竟怎樣樣，所以就去試了 Claude Code、Cursor、Roo Code 和 Zed 這些聲稱有智能署理的東西。

我測驗了不同模型，讓 AI 寫了各種項目的代碼，還試著徹底不著手改代碼，直接“氣氛編程”。

成果呢……還行吧。

盡管咱們都在說 AI 現在前進神速，但我感覺和之前不同不大。實在地用起來，我發現 AI 拿手寫些重復的模板代碼，尤其是在 JavaScript 和 React 項目里。但它跟不上你代碼庫里的標準和東西，對 Terraform 這種言語支撐欠好，還會“錯覺”出不存在的庫，導致安全漏洞。

其次，就算給了 AI 很詳細的提示文件，比方 CLAUDE.md，它仍然很難了解整個代碼庫的上下文。假如你用的庫不是 StackOverflow 上最搶手的，它照樣會寫錯，哪怕它通過智能署理查找過文檔。有時智能署理會很聰明地幫你修正它自己弄壞的測驗，但更多時分便是糟蹋時刻和核算資源，自己和自己折騰，失利了還沒學到什么。

對我來說，AI 最適合寫一次性的腳本，特別是那種我不想花時刻深化學原理的，比方寫個定制的 ESLint 規矩。

那些說不現在用 AI 就會被甩得遠遠的“駭人聽聞”徹底不靠譜。學著用 AI 編程其實不難。或許有人會說 AI 讓編程簡略到“連原始人都能用”，也有人說得有多雜亂需求專門的“提示工程師”。的確有些技巧要學，但都不難，也學得快。你會學會把使命拆成小塊，防止 AI 在處理長上下文時潰散。像 Claude Code 這類東西還能幫你做點這事，盡管不總靠譜。你還得學會判別 AI 什么時分跑偏了，什么時分該自己著手。

一個靠譜的工程師，花幾天時刻適度用用 AI 就能摸透這些。假如 AI 真像咱們說的立刻會翻幾倍提高，那么現在學的技巧將來或許又要重來。

每次 AI 體現“差不多”，反而讓我更焦慮，由于我找不到他人成功的“訣竅”。我覺得自己真不可，快被年代篩選了。直到后來，有些事幫我走出了低谷，比方這篇來自 Ludicity 的文章（https://ludic.mataroa.blog/blog/contra-ptaceks-terrible-article-on-ai/），正面辯駁了那些吹 AI 的言辭。我寫這篇，便是想共享更多幫我脫節“AI 10 倍工程師濫竽充數綜合癥”的經歷。

數學說理

先來說說“10 倍乃至 100 倍功率提高”的數學道理。

10 倍功率不是說寫的代碼行數變成 10 倍，而是說產出變成 10 倍。也便是說，曩昔一個季度才干完結的作業，現在一周半就能完結。這數據聽起來連最信 AI 的人也該猶疑了。由于傳統上，這 3 個月的作業里包含了產品構思、需求洽談、修正 bug、代碼檢查、等候上線、測驗和質量保證。要在 7 個作業日內完結，意味著這些環節每一項都得提高 10 倍功率。

任安在公司寫過實踐代碼的軟件工程師都知道，這底子不或許。3個月代碼檢查的來回交流，壓縮成 1.5 周？不實踐。代碼檢查流程通常是這樣的：

• 你@檢查人
• 期望對方盡快看（但他們現在要檢查的代碼量或許是曾經的 10 倍）
• 等候期間切換去做其他事
• 收到告知（或許立刻，也或許對方下班 2 小時后才看到）
• 回頭看檢查定見
• 回復并修正
• 如此重復

在一家具有老練團隊且有杰出協作流程的優異公司里，這一個進程或許會高效一些，亞洲網2018在線觀看但你要告知我，功率提高 10 倍還能敷衍 10 倍作業量？這必定辦不到。

實踐的企業里，實在的軟件開發中觸及的人際和流程環節至今仍然沒怎樣變。產品司理或許用  ChatGPT 做“調研”，但他們不或許忽然發生 10 倍多的、通過充沛點評和規劃的需求。也不或許一次做 10 場用戶訪談。規劃師和測驗同理。招 10 倍多的產品司理來跟上底子沒門，人數多了反而功率遞減，還會帶來官僚主義。

就算假定只需寫代碼的進程變快 10 倍，咱們也該堅持置疑。寫代碼時，實在按鍵盤的時刻有多少？通常遠沒你想的多。大部分名貴的編程時刻其實是閱覽、考慮，或許等編譯、改寫頁面、跑測驗。大言語模型（LLM）可不會讓編譯器跑得更快。

并且 LLM 生成的代碼常常有過錯、虛偽內容，或許達不到你代碼庫的標準。代碼庫越大，過錯越頻頻。遇到這種狀況你得從頭給 AI 下提示，或許立刻修好，也或許糟蹋許多時刻。你也能夠自己改代碼，但那你就又成了一般工程師，功率便是 1 倍。假如你現已習慣了“隨意用用”AI，乃至不看它生成的代碼，等項目變大后必定會“受阻”，問題來了——你代碼里徹底沒標準、沒規劃，徹底凌亂。

我覺得許多人沒意識到 10 倍提高究竟有多夸張。10 倍功率不同，就像你開著面包車和開著打破紀錄的超音速陸地賽車去上班。想想看，600 英里/小時的車在城市大街開 10 分鐘能快多少？不可，由于紅燈一停就耗光你的時刻。一級方程式賽車在雜亂彎道也得減速到面包車的速度。大多數時刻，作業做得無法全速沖刺。

100 倍功率就更荒唐了，那是兩天做完曩昔一整年的作業，底子不需求我多說。

真有 10x 工程師嗎？

我不太想直接參與這個爭辯，但也不得不說說我的觀點——偶然有。

我遇到過那些比他人功率高 10 倍的工程師，但他們首要是由于能防止無謂的作業。比方勸產品司理拋棄底子不實踐的需求；阻撓他人做不用要的微服務；做開發體會方面的改善，讓咱們每個使命都節約一點時刻；寫好文檔讓后來的工程師能快上手。這些集腋成裘，的確能讓一個工程師在整個公司節約 10 倍于他自己開發時刻的工時。

但這種時機不會一向有。每個人總得寫功用，一個牛人或許比新人快一倍，但瓶頸仍是那些。盡管需求點數（story points）不完美，我從沒見過誰持續做出他人 10 倍數量的故事點。

值得注意的是，AI 編碼幫手對削減無用作業奉獻不大。相反，AI 有時反而讓人更煩躁，寫得太快，做了不少剩余功用。我問它架構問題時，它常常引薦一些我睡醒后或許跟牛人聊完才覺得沒必要的計劃。假定其他條件都相同，寫代碼快的人的確是好工程師，但這并不是讓功率翻 10 倍的要害。越是拼命尋求快，越簡單忽視那些實在節約時刻的點。

他們那些吹 AI 的人是在騙人嗎？

我覺得那些吹 AI 的人大致分幾類，按歹意程度從低到高排：

好意但沒看清實踐的人，自己和他人都過渡的點評了 AI 的潛力

跟 AI 成功嚴密相關的人，比方 AI 創業者、出資人等

管理層為了讓工程師不換崗、不離任、不漲薪酬，成心讓他們覺得壓力山大

數學不太好的好意工程師

就我經歷來看，AI 真的能帶來偶然時刻短的 10 倍乃至 100 倍功率提高。比方我讓 AI 在幾分鐘內寫出一個自定義 ESLint 規矩，而曾經得花幾個小時查文檔、看教程，那的確省了不少時刻。剛開端用 AI 這種新玩意，許多非專業寫代碼的人都會覺得特別奇特。

問題是，這種功率提高是“爆發式”的，不能持續。比方我一年最多寫一個 ESLint 規矩。這種突發的功率提高，是由于我底子不關心這段代碼，也不計劃讓未來的工程師看得懂。假如寫 ESLint 規矩成了日常作業，我必定會花時刻去學它的內部原理。那之后，用 AI 隨意寫和自己寫的時刻不同就不大了，尤其是還得花額定時刻把代碼寫得標準，便利半年后自己回來看。

終究，一切“隨意寫代碼”的人都會遇到瓶頸。網站被黑了，得仔細學安全；項目太大了，AI 看不全上下文，代碼變得雜亂無章；所以實在在行的前端工程師被請來做標準和規劃。

別的，有許多成見和盲點會讓人誤以為功率大幅提高。假如你從大公司跳去創業公司，必定會覺得創業公司的工程師功率高得驚人，很簡單歸功于 AI。許多人喜愛 AI 帶來的新鮮感，剛玩新技能時總覺得自己功率倍增。我第一次用 Python 也有“喝了火箭燃料”的感覺，但終究仍是回歸實踐。

我覺得許多吹 AI 的“10 倍功率”其實來自“蜜月期”的人，或許底子沒實在算過這 10 倍究竟是啥意思。我不驚奇 AI 讓工程師某些使命快個 20%-50%，但軟件開發的瓶頸決議了這不會帶來全體 20% 的提高，更甭說 10 倍了。

鼓舞很重要

我不是“黑” AI 創業公司。假如你想把 OpenAI 接入醫療職業，我會憂慮危險，但這和一切想“快速試錯、打破常規”的醫療創業公司相同。我說的不是 AI 創業者或出資人是壞人，僅僅想提示一句高中經濟學教師的老話：“鼓舞機制很重要。”

假如你開 AI 創業公司，同行都在跟出資人吹說 AI 帶來 10 倍功率，你天然得這么說。公司靠 AI 發家，亞洲網2018在線觀看賣 AI 是你的命脈。作為工程師，假如老板問：

“AI 讓你功率提高 10 倍了吧，咱們都是這樣。”

你必定被鼓舞說“是”，咱們都這么說，老板不是騙你，僅僅在轉述他聽到的話。

我想告知跟我相同焦慮的人，這事不新鮮。CEO 從靈敏開發到性情測驗啥都說能帶來無限生產力，LinkedIn 上總有各種盛行詞別太上心。爽性別刷 LinkedIn，挺無聊的。

歹意層面

讓人焦慮的言語，有時分便是成心的。老板讓工程師覺得崗位不穩，這招老早就有。咱們還記得那種說法嗎：3 個月的訓練班能培養出 4 年大學水平的工程師，否則你就會被轉行的文科生代替。幾年后咱們才發現，這些訓練班畢業生底子沒準備好干實在的軟件作業。

訓練班和 AI 僅僅很多不靠譜的“會把高級工程師變成商品化勞動力”的說法里的兩個比方。它們是用來制作不安全感的。老板不能真的用 AI 代替你，但能夠讓你覺得他能，趁便不讓你漲薪酬。

所以，一部分“10 倍 AI 工程師”的故事，很或許是有人想讓你焦慮，詳細多少我不知道。盡管現在咱們相互不太信賴，我仍是信賴大多數人本質上是仁慈的，不會這么陰惡。

信息傳遞的層層別離

我注意到，一切那些夸張 AI 生產力的人，根本都跟實踐提高功率的人隔了幾層。發帖的往往是創業者、司理或出資人，拿他人的生產力說事。引證二手信息沒錯，但無法找到第一手資料時，你得置疑它的可靠性。

實在的工程師們展現用 AI 提高功率的事例，往往愈加實踐，點評也比較低沉。他們說的 AI，跟咱們之前了解的差不多，便是個能偶然幫你寫點東西但大多數時分還得自己盯著的文本生成器。

開源項目里用 AI 編碼，咱們揭露看得到，成果一團糟還挺好笑。我也從幾個 YouTube 視頻里學了怎樣更好用 AI。趁便說一句，這些工程師都沒找到什么“代碼生產力的靈丹妙藥”。

功率沒那么重要，高興才要害

就算我不再信賴有那個“10 倍工程師”的隱秘派系，我仍是覺得用 AI 編碼沒什么意思。隨意寫代碼沒了奇特感后很無聊。看 AI 生成的代碼更厭煩。讓它用“不會胡編亂造的庫”很費力。但即使如此，假如用 AI 編碼能讓我功率提高20%，那我還應該堅持“傳統”寫法嗎？

不用。

為了高興拋棄點功率徹底能夠，乃至很必要。逼迫自己用厭煩的方法干活只會讓你累垮。寫代碼僅僅作業一部分，更多時刻花在解決問題、規劃體系、考慮籠統、和人交流。你心情好，這些都能做得更好。為自己的作業感到驕傲，享用其間，長時間看對代碼庫有優點。

數字音樂是不是比黑膠好聽無所謂。切換下一首是不是比手動翻唱片快 100 倍也無所謂。假如聽 70 年前的唱片讓你高興，那就聽它吧。你會聽更多音樂。寫代碼也是相同，選你喜愛的方法，你會寫更多、更好。

反過來，假如你覺得用 AI 編碼爽，那就持續用。能激起你比以往更投入，那太棒了。我期望咱們都能找到讓自己高興的路，不管怎樣做。

怎么做一個好的 AI 領導者

讓團隊工程師一向處于嚴重焦慮的狀態下，只會害了公司自己。他們會不想干，離任率高。這種做法只會導致工程師尋求那些看起來目標好的“壞”行為，比方拼命寫代碼，疏忽代碼檢查，技能債款越來越多。終究公司早晚有一天會要為這些過錯買單。

不切實踐的 10 倍功率提高的等待，只會讓作業以及項目完畢得匆忙且草率。工程師需求空間，有時刻把作業做好。優異的代碼庫和公司，是在統籌眼前和久遠的考慮中建立起來的。我很幸虧現在能在這樣公司作業，但不是一切人都這么走運。

別由于工程師用的“token”不行多就訓他們。軟件工程師是高學歷的專業人才，職業競賽劇烈。他們現已很拿手不斷測驗新東西又很快拋棄的循環了。你花這么多錢雇他們，就得信賴他們。假如真有超級功率東西，他們會自動來找你晉級專業版。作為管理層，你要是怕錯失 AI 盈利，那就爽性組個 LLM 團隊，然后搞個訓練，看看作用就行。

總結

世上沒有什么奇特靈藥，只需跟對 Facebook 群就能治百病。AI 編碼革新也不是你隨意用用就能碰到的。你沒落下什么，別置疑自己，你夠好的。

還有，別刷 LinkedIn，也別刷 Twitter。

原文鏈接：https://colton.dev/blog/curing-your-ai-10x-engineer-imposter-syndrome/

本文來自微信大眾號“CSDN”，作者：Colton Voege；責編：蘇宓，36氪經授權發布。