这两年AI的发展可谓日新月异AI各方面的发展、各种模型迭代、应用场景真的超乎大家的想象真的是只有你想不到没有它实现不了的可能有些夸大但是有时候真的是感觉每天AI都有进步AI发展阶段盘点从 AI 大规模兴起到最近的应用短短三年多变化确实很大从 AI 对话、RAG到 AI 工作流编排再到 Agent 自主规划与执行。各阶段特点可以这样理解第一阶段对话模式用户编写 prompt 提交给模型模型基于训练知识直接回答。优点是通用、低门槛缺点是知识滞后、容易幻觉也无法直接获取实时和私有数据。第二阶段RAG 模式在对话模式基础上先通过检索获取实时或私有知识再把检索结果作为上下文交给模型整合生成。它解决了模型知识边界问题但本质上仍是被动问答。第三阶段AI 工作流模式通过拖拽或代码编排固定流程把企业积累的专家知识固化下来并在关键步骤调用模型完成总结、分类、抽取、图像识别等任务。它适合流程确定、可拆解的场景但不适合 AI Coding 这类高度不确定、需要反复试错的任务。第四阶段Agent 模式面向不确定任务具备请求解析、上下文收集、任务规划、任务执行、环境感知、工具使用和记忆管理等能力。核心是“规划 → 执行 → 观察 → 调整”的循环。它能处理更开放的任务但稳定性和可控性成为新的问题。第五阶段Agent 工程化与运行约束这里不宜叫“Harness 模式”更准确的说法是 Harness 层通过规则、权限、预算、沙箱、审计、上下文管理等约束让 Agent 更稳定、安全、可运营地工作。其中Loop是 Agent 的内循环驱动单个 Agent 持续迭代Graph是多 Agent 或多节点的编排图是协作层或外循环决定多个执行单元之间如何连接、交接和回退。它们不是 Agent 之后的替代阶段而是 Agent 走向生产系统的工程化组件。AI 对职业的影响与软件工程师的应对随着 AI 快速发展各行各业对 AI 的应用越来越广泛。直播带货开始用 AI 数字人替代部分真人主播小说创作从纯人工写手逐步转向 AI 辅助生成甚至 AI 独立生成网络上的图片、视频哪些是 AI 生成的、哪些是人工制作的很多时候已经难以辨别。而且在不少场景下AI 生成内容在色彩搭配、构图、动作流畅度和表情表现上已经达到很高水平甚至部分指标超过普通人工制作。可以看到AI 正在深刻影响各行各业尤其是计算机、互联网相关领域。如果不积极拥抱 AI、不会用 AI 提升效率个人和企业的竞争力都可能被逐渐拉开差距。作为软件工程师如何用好 AI让 AI 帮自己干活是这个阶段必须认真思考的问题。未来并不是“AI 简单取代工程师”而是“会用 AI 的工程师可能取代不会用 AI 的工程师”。工程师的角色会从“逐行写代码”逐步转向“定义问题、拆解任务、编排流程、审核结果、把控质量”。AI 在研发全流程中的使用1. 开发阶段AI Coding开发工程师先进行需求梳理、任务拆分、接口约定、流程编排和验收标准定义再让 AI 辅助生成代码。过程中可能仍需要人工干预但相比过去逐行手写代码效率已经显著提升。如果任务拆解足够清晰、上下文提供充分、流程编排合理人工修正会明显减少。但代码审查、安全检查和架构判断仍然不能缺席。AI 更适合做“高效执行者”人则要承担“目标定义者”和“质量负责人”的角色。2. 测试阶段AI 辅助测试测试用例生成测试工程师基于需求文档、开发设计文档、历史知识库业务知识、历史测试文档、Bug 记录等让 AI 生成测试用例。相比纯人工编写效率显著提升同时基于历史知识学习AI 设计的用例在覆盖面上往往更全面尤其能帮助新人快速补齐经验短板。测试执行相比传统测试自动化加入 AI 的测试自动化更加智能。封装好原子能力后AI 可以进行智能决策减少中间大量if/else分支下脚本适配的工作量并能根据页面或接口变化进行一定程度的自适应调整。可以简单总结为AI 辅助测试自动化 传统测试自动化 AI 技术 智能决策系统 自适应机制。此外AI 还可以用于测试数据生成、失败归因、缺陷聚类、精准回归和测试报告总结进一步提升测试效率和质量。3. 线上阶段AI 辅助运维与答疑问题发现通过指标波动发现线上异常通过主动巡检发现功能或体验问题如白屏、空坑、加载慢等。AI 的加持可以让巡检更自适应、指标波动识别更智能使问题发现更快、更准巡检能力的鲁棒性更强。问题排查引入线上系统异常日志查询结合系统代码定位、链路追踪和变更记录让问题排查更快、更准缩短线上问题影响范围为快速止血提供有力帮助。智能答疑将历史工单、FAQ、设计文档、代码仓库、日志、监控告警等沉淀为知识库结合 RAG 和 Agent 能力让工程师用自然语言提问。系统可以自动检索、汇总信息给出排查路径和修复建议高频问题可自动回复或生成操作指引复杂问题再转人工处理。同时每次答疑和故障复盘都可以反哺知识库形成“发现问题 → 排查止血 → 复盘沉淀 → 优化 AI”的闭环。总结AI 对职业的影响不是简单的“替代”或“不替代”而是工作方式的重构。对软件工程师来说越早把 AI 用进开发、测试、运维和答疑流程越能把自己从重复劳动中解放出来转向更有价值的环节业务理解、系统设计、任务编排、质量把控和复杂问题决策。未来更稀缺的不是会写代码的人而是能指挥 AI、审核 AI、让 AI 稳定产出结果的人。积极拥抱 AI不是可选项而是这个阶段的必修课。 AI发展历程以及对工程师的影响
这两年AI的发展可谓日新月异AI各方面的发展、各种模型迭代、应用场景真的超乎大家的想象真的是只有你想不到没有它实现不了的可能有些夸大但是有时候真的是感觉每天AI都有进步AI发展阶段盘点从 AI 大规模兴起到最近的应用短短三年多变化确实很大从 AI 对话、RAG到 AI 工作流编排再到 Agent 自主规划与执行。各阶段特点可以这样理解第一阶段对话模式用户编写 prompt 提交给模型模型基于训练知识直接回答。优点是通用、低门槛缺点是知识滞后、容易幻觉也无法直接获取实时和私有数据。第二阶段RAG 模式在对话模式基础上先通过检索获取实时或私有知识再把检索结果作为上下文交给模型整合生成。它解决了模型知识边界问题但本质上仍是被动问答。第三阶段AI 工作流模式通过拖拽或代码编排固定流程把企业积累的专家知识固化下来并在关键步骤调用模型完成总结、分类、抽取、图像识别等任务。它适合流程确定、可拆解的场景但不适合 AI Coding 这类高度不确定、需要反复试错的任务。第四阶段Agent 模式面向不确定任务具备请求解析、上下文收集、任务规划、任务执行、环境感知、工具使用和记忆管理等能力。核心是“规划 → 执行 → 观察 → 调整”的循环。它能处理更开放的任务但稳定性和可控性成为新的问题。第五阶段Agent 工程化与运行约束这里不宜叫“Harness 模式”更准确的说法是 Harness 层通过规则、权限、预算、沙箱、审计、上下文管理等约束让 Agent 更稳定、安全、可运营地工作。其中Loop是 Agent 的内循环驱动单个 Agent 持续迭代Graph是多 Agent 或多节点的编排图是协作层或外循环决定多个执行单元之间如何连接、交接和回退。它们不是 Agent 之后的替代阶段而是 Agent 走向生产系统的工程化组件。AI 对职业的影响与软件工程师的应对随着 AI 快速发展各行各业对 AI 的应用越来越广泛。直播带货开始用 AI 数字人替代部分真人主播小说创作从纯人工写手逐步转向 AI 辅助生成甚至 AI 独立生成网络上的图片、视频哪些是 AI 生成的、哪些是人工制作的很多时候已经难以辨别。而且在不少场景下AI 生成内容在色彩搭配、构图、动作流畅度和表情表现上已经达到很高水平甚至部分指标超过普通人工制作。可以看到AI 正在深刻影响各行各业尤其是计算机、互联网相关领域。如果不积极拥抱 AI、不会用 AI 提升效率个人和企业的竞争力都可能被逐渐拉开差距。作为软件工程师如何用好 AI让 AI 帮自己干活是这个阶段必须认真思考的问题。未来并不是“AI 简单取代工程师”而是“会用 AI 的工程师可能取代不会用 AI 的工程师”。工程师的角色会从“逐行写代码”逐步转向“定义问题、拆解任务、编排流程、审核结果、把控质量”。AI 在研发全流程中的使用1. 开发阶段AI Coding开发工程师先进行需求梳理、任务拆分、接口约定、流程编排和验收标准定义再让 AI 辅助生成代码。过程中可能仍需要人工干预但相比过去逐行手写代码效率已经显著提升。如果任务拆解足够清晰、上下文提供充分、流程编排合理人工修正会明显减少。但代码审查、安全检查和架构判断仍然不能缺席。AI 更适合做“高效执行者”人则要承担“目标定义者”和“质量负责人”的角色。2. 测试阶段AI 辅助测试测试用例生成测试工程师基于需求文档、开发设计文档、历史知识库业务知识、历史测试文档、Bug 记录等让 AI 生成测试用例。相比纯人工编写效率显著提升同时基于历史知识学习AI 设计的用例在覆盖面上往往更全面尤其能帮助新人快速补齐经验短板。测试执行相比传统测试自动化加入 AI 的测试自动化更加智能。封装好原子能力后AI 可以进行智能决策减少中间大量if/else分支下脚本适配的工作量并能根据页面或接口变化进行一定程度的自适应调整。可以简单总结为AI 辅助测试自动化 传统测试自动化 AI 技术 智能决策系统 自适应机制。此外AI 还可以用于测试数据生成、失败归因、缺陷聚类、精准回归和测试报告总结进一步提升测试效率和质量。3. 线上阶段AI 辅助运维与答疑问题发现通过指标波动发现线上异常通过主动巡检发现功能或体验问题如白屏、空坑、加载慢等。AI 的加持可以让巡检更自适应、指标波动识别更智能使问题发现更快、更准巡检能力的鲁棒性更强。问题排查引入线上系统异常日志查询结合系统代码定位、链路追踪和变更记录让问题排查更快、更准缩短线上问题影响范围为快速止血提供有力帮助。智能答疑将历史工单、FAQ、设计文档、代码仓库、日志、监控告警等沉淀为知识库结合 RAG 和 Agent 能力让工程师用自然语言提问。系统可以自动检索、汇总信息给出排查路径和修复建议高频问题可自动回复或生成操作指引复杂问题再转人工处理。同时每次答疑和故障复盘都可以反哺知识库形成“发现问题 → 排查止血 → 复盘沉淀 → 优化 AI”的闭环。总结AI 对职业的影响不是简单的“替代”或“不替代”而是工作方式的重构。对软件工程师来说越早把 AI 用进开发、测试、运维和答疑流程越能把自己从重复劳动中解放出来转向更有价值的环节业务理解、系统设计、任务编排、质量把控和复杂问题决策。未来更稀缺的不是会写代码的人而是能指挥 AI、审核 AI、让 AI 稳定产出结果的人。积极拥抱 AI不是可选项而是这个阶段的必修课。