别再拿 Token 当产能:现在最廉价的东西就是“更多产出”

文章目录

01. 产出不等于产能

一个工厂电费用得多,就代表工厂生产的产品质量高么?

如果答案是否定的。

那为什么公司都在用token消耗量,来衡量程序员的价值呢?

图片

很多时候,token消耗量多,最终只会反映在账单上,公司的收入并不会增加。

前不久有一篇文章叫《The Vibe Tax》(《氛围编程税》)记录过一个例子:

开发者让Coding Agent写一个待办应用,准备晚上睡觉前让它执行,起来后根据大概的功能,再做一些修修补补。

谁知道十小时后起来一看,应用没有开发完,一周的token配额却用光了。

图片

于是看了下执行记录,才发现,Agent为了一个小概率的异常,钻了牛角尖,不停地重复开发测试,不停地消耗token,而开发的这个功能可能永远不会有人用到。

现在AI编码能力很强,也会经常出现过度设计,过度开发。

大量的token被浪费,这就叫“氛围编程税”。

这类错误的根源,是把“生成”误当成“完成”,看似做了很多事儿,但并没有完成核心任务。

02. 瓶颈没有消失,只是换了位置

图片

图一

图一,是一张传统的敏捷开发时间线。

传统的需求迭代,因为写代码慢,瓶颈在研发,大家自然盯着开发进度。

图片

图二

图二是按照现在的敏捷开发情况,由于AI能在几分钟内写出几百行代码,大量的代码被开发出来。

瓶颈便移到了需求澄清、方案取舍、测试和上线。

如果管理方式不变,研发生产越快,越多,其他环节就会导致积压越严重:PR 排队,测试环境拥堵,需求反复修改,最后没人敢上线。

最近Anthropic 发了一篇文章,重新梳理了一下研发流程,在《The AI-Native SDLC Playbook》文章中提出一条可靠的产物链:

图片

将传统的敏捷开发通过AI进行优化,将意图、规格、计划、代码与测试、评审记录、事故记录规范化,串成一条AI加速的链路。

每一个环节通过产出md文件,来加速后续的环节产出,最终完成需求。

它打破了迭代周期,以问题开始,到问题解决结束,这是一个闭环。

图片

不要因为AI写代码厉害,就拼命产出code,而是要通过AI提升解决问题的速度,需求不再以周期交付。

因此,团队首先要改的是对于“完成”的定义。

一个任务不能以“代码写完”收尾,而是以“问题解决” 收尾。

一句话总结就是:谁使用,解决什么问题,用什么测试方式验收,失败后怎样回滚。

按问题迭代,所以传统迭代周期不存在了,可能几天一个版本,甚至每天一个版本。

03. 作为程序员,需要用闭环来衡量工作

程序员需要从单节点产出,变成真正可以 close the loop 的人。

图片

从问题出现到解决的完整周期,单纯依靠产品或测试人员,还做不到全权负责,因为不能对技术实现深入理解,万一出现系统异常,无法背责。

这就跟以前敏捷开发的时候,都需要一个技术负责人一样,因为要了解全局包括技术。

现在这个闭环也需要一个负责人,有经验的程序员就完全可以。

具体做法也并不复杂,我总结为「往前」「往后」都多走一步。

第一,立项前先找到痛点的源头,在《How I Find Problems to Solve as a Staff Engineer》文章强调,不要接到第一个请求就动手,而要观察工作流,分清用户提出的方案和他真正遇到的问题。

如果可以,建议从源头开始,比如:从用户投诉单开始。

第二,开发前写下完整的评测方案。上线地址、关键测试、业务指标、负责人确认,至少要有一项能被外部核验。

第三,少看产量,多看四个闭环指标:从提出问题到上线用了多久;上线后返工几次;多少用户依然存在bug;用户行为或业务结果是否改变。

从这三点入手,按阶段产出需要的文档,最终完成闭环,这比单纯的Token排名靠谱。

04. 找到更大的闭环,关掉它

最近身边的程序员朋友都很焦虑:AI能快速写代码,程序员的价值没有了。

如果你还在以前敏捷迭代的思路里,的确没有价值了,以前程序员更多担任的是从「需求」 => 「代码」的“翻译官”,显然这对于AI来说更擅长。

图片

而现在,是时候回到需求的本质了,解决问题才是主线,程序员就是通过系统工程解决实际问题的人。

依稀记得我刚进入职场的时候,师兄解释过:“什么叫专业”。

专业就是你的上下游跟你合作很顺畅,那怎么才能顺畅呢?就是你了解他们在干什么,帮他们多做一点”。

如果你是前端开发,正在做一个需求的时候,前面给设计准备好你建议的页面交互方式,给后面的后端开发准备好你想要的接口,给测试准备好你开发的功能的测试用例。

让上下游舒服,这个就叫专业。

那时候隐约能感觉到闭环,但是没有那个能力,只能停留在关闭研发阶段的小闭环。

现在我们能借助AI,找到更大的闭环,关掉它,成为真正的 Loop Engineering。


文章参考:

《The AI-Native SDLC Playbook》https://claude.com/blog/the-ai-native-sdlc-playbook

《How I Find Problems to Solve as a Staff Engineer》https://news.ycombinator.com/item?id=49411643

《The Vibe Tax》https://insufferable.dev/posts/vibe-tax/

作者提示: 个人观点,仅供参考