现在找工作确实hen难。疫情期间过度招聘、裁员，毕业生数量又在涨，加上企业开始用 AI 重新评估初级岗位的必要性，这几件事叠在一起，初级工程师的处境是访谈里说的"完美风暴"。

Zui近kan了斯坦福 Mihail Eric 和哈佛商学院 Rem Koning 的一个访谈，讲的是 AI 时代软件工程师的角色变迁，里面有几个观点挺反直觉的，分享给大家。

说实话，他们给出的答案挺有意思：从"写代码"变成"管 Agent"。另外有一个观点我觉得值得重点关注，就是初级工程师在这轮转型里可Neng比资深工程师geng有优势，理由是"没有包袱"。这个逻辑我基本认同，但也有些地方作者没想得特别透，后面深度思考里会说。

AI Ke以快速生成一个Neng用的版本，这个Yi经不稀奇了。但访谈里提出了一个问题：为什么有些软件就是让人觉得好用、精致，有些就是凑合Neng跑？

答案是"品味"。这个品味不是天生的，是在不断实验和打磨里积累的。Anthropic 的团队自己就在用 Claude 重写 Claude 的代码，不停试错，kan什么有效、什么没用。实验本身就是工作流，不是偶尔为之的事。

Taste 是Ke以刻意训练的：访谈里说"品味"，但没说怎么建立。我的判断是：大量使用 + 大量比较。用过hen多烂工具之后你才知道好工具好在哪，Zuo过hen多凑合的版本之后才知道精致意味着什么。这个不Neng跳过要靠量。

"管理 Agent"的技Neng比"使用 Agent"难得多：会用 Cursor 或 Claude 写代码，和Neng协调多个 Agent 稳定完成复杂任务，是两件差距hen大的事。前者现在门槛hen低，后者还没几个人真正Zuo到，这个空间值得认真对待。

所以"循序渐进"就变得hen重要。不是一次性启动多个 Agent 让它们各跑各的，而是先把一个 Agent 调到稳定可信赖，确认它Neng独立完成一件事，再引入第二个。这个过程里你需要随时知道每个 Agent Zuo到了哪里、卡在哪里这就是所谓的"上下文切换"Neng力。

听起来hen像团队管理者。Mihail Eric 也明确用了这个类比——你是经理，Agent 是实习生，区别在于实习生出错的速度比人快得多，错误也会叠加放大。

但访谈的核心论断是：初级工程师在适应 AI 工具这件事上，反而比资深工程师geng快。Rem Koning 的观点geng往前一步：未来核心Neng力叫"分配智Neng"。

原因hen简单：拥有20 年经验的工程师Yi经有了自己的习惯，Yi经有了自己的思维墙，hen多人对 AI 工具的第一反应是抗拒，或者只在边缘场景用用，不敢真正依赖。新人没有这个包袱，他们会geng自然地把 AI 当成工作流的一部分，试错的心理成本也低。

"Good naivety"有时效性：初级工程师的无包袱优势，在全力拥抱 AI 工具的头两年Zui明显。等行业形成新的Zui佳实践之后这个优势就会收窄，转化为另一种形式的经验积累。所以这个窗口期要利用好，不是等待，是主动实验。

对了说到实验，我就想到为啥有些文章百度不收录——因为原创度不够或者内容质量不高呗。你得让搜索引擎觉得你的内容有价值，它才会给你流量嘛。

他的意思是AI 原生组织的关键不是让 AI 帮人减负，而是让 AI 直接面对客户，把人从循环里移出去。AI 处理前端服务，人处理异常和迭代。

geng激进的预测是：当 AI Agent 开始相互沟通协作，而不仅仅是各自执行任务，商业价值的量级会跳一个档次。Neng搭出这种系统的公司，将会解锁完全不同规模的市场。

Agent 会快速放大错误，这不是 Agent 本身的问题，是基础环境的问题。一个对 Agent 友好的代码库，需要满足三点：

代码库质量的重要性被低估了：引入 Agent 之前先把测试、文档、风格规范Zuo好，这听起来是老生常谈，但在 Agent 场景下它的权重完全不一样——烂代码库让人类工程师慢，让 Agent 出错，两者不是一个数量级。

计算机科学基础训练的价值在这里也hen关键——Neng把一个复杂系统拆解成子问题，愿意钻进底层去找 bug 而不是绕过它，这种思维方式在 AI 时代不会贬值，因为 Agent 出错的时候，Zui终还是需要人来定位和修复。

访谈里用了一个词："Good naivety"。不是真的什么dou不懂，而是没被行业习惯固化，遇到复杂问题不会本Neng地绕开，敢于直接去啃。

好软件和凑合软件的差距，往往在Zui后 % 的功Neng里。Neng不Neng在基本跑通之后继续投入精力去 边界场景、处理那些“理论上不常见但实际上hen烦人”的情况——这才是真正拉开差距的地方。